相关实验视频
基于EfficientNetB7的深度学习框架,用于提高肺癌和结肠癌组织病理图像的分类
Pai H Aditya1, T R Mahesh2, J V Muruga Lal Jeyan1
1Department of CSE, MIT School of Computing, MIT Art, Design and Technology University.
Journal of visualized experiments : JoVE
|February 23, 2026
概括
一个新的深度学习模型,EfficientNetB7,准确地对肺和结肠组织进行早期癌症检测的分类. 这种人工智能 (AI) 方法提高了诊断速度和有效性,提高了患者的生存率.
科学领域:
- 病理学 病理学 病理学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 肺癌的早期诊断对于患者的治疗和生存至关重要.
- 人工智能 (AI) 正在彻底改变病理学,提高诊断准确性和效率.
研究的目的:
- 开发和验证一个强大的深度学习模型,用于对结肠和肺组织的组织病理图像进行分类.
- 提高癌症诊断在病理学的准确性和效率.
主要方法:
- 使用预训练的EfficientNetB7深度学习模型.
- 采用先进的预处理,微调和特定领域的数据增强.
- 整合技术以减轻类不平衡,组织学变异和过拟合,包括早期停止.
主要成果:
- 在分类结肠和肺组织组织病理学图像方面达到96%的异常高准确度.
- 经过强有力的验证,表明在临床应用中具有很高的实用性.
结论:
- EfficientNetB7深度学习模型为及时和准确的癌症诊断提供了一个有前途的工具.
- 在医学成像工作流程中整合AI可以通过早期癌症检测显著改善患者的治疗结果.