转移学习对卷积神经网络的影响,用于诊断瘤
Daniela Giraldo-Roldán1, Thaís Cerqueira Reis Nakamura2, Anderson Faria Claret3
1Faculdade de Odontologia de Piracicaba, Department of Oral Diagnosis, Oral Pathology Area, Piracicaba Dental School, Universidade de Campinas (FOP- UNICAMP), Av. Limeira, 901, Piracicaba, São Paulo, 13.414-903, Brazil.
Head and neck pathology
|February 19, 2026
概括
使用ImageNet预训练的转移学习显著改善了卷积神经网络 (CNN) 性能,用于分类瘤. 效率NetV2B0显示了最大的改进,突出了AI.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字组织病理学 数字组织病理学
背景情况:
- 牙性瘤由于重叠的组织学特征而存在诊断挑战.
- 卷积神经网络 (CNN) 显示了自动基因病理学分类的前景.
- 转移学习对CNN在这一领域的表现的影响需要进一步调查.
研究的目的:
- 评估转移学习在提高CNN性能方面的有效性,用于分类三种牙致癌瘤.
- 为了比较七个CNN架构的性能,有和没有ImageNet预训练.
- 评估模型复杂性和数据异质性对诊断可靠性的影响.
主要方法:
- 来自多中心数据集的64个整片图像的分析,包括腺瘤瘤,乳腺母细胞瘤和乳腺母细胞癌.
- 在455,107个图像补丁上对7个CNN模型 (DenseNet121,EfficientNetV2B0,InceptionV3,MobileNet,ResNet50,VGG16,Xception) 进行培训和测试.
- 使用精度,平衡精度,灵敏度,特异性,F1得分和AUC的性能评估.
主要成果:
- 在没有 ImageNet 预训练的情况下,DenseNet121 实现了最高的性能指标.
- 图像网预训练在所有测试的CNN架构中提高了性能.
- 在预训练后,EfficientNetV2B0显示出最佳的整体结果 (精度=0.79,AUC=0.91),而DenseNet121显示出强大的性能.
结论:
- 使用ImageNet权重的转移学习显著提高了CNN对牙致癌瘤分类的性能.
- EfficientNetV2B0对预训练的反应很强,而DenseNet121表现出内在的强度.
- 基于CNN的框架显示了支持口腔病理学差异诊断的潜力,为可靠的AI系统做出了贡献.
