转移学习模型的比较评估,用于检测尿细胞学中的恶性细胞
Pranab Dey1, Chandrasekaran Muralidaran2
1Oncopathology, Homi Bhabha Cancer Hospital and Research Centre (Tata Memorial Center), New Chandigarh, India.
概括
这项研究比较了六种转移学习模型,用于检测尿液细胞学中的恶性细胞. 组合模型结合了前三名表现出色的患者,显著提高了诊断准确度,显示了常规查的高潜力.
科学领域:
- 人工智能在医学中的应用
- 计算病理学计算病理学
- 泌尿瘤学 诊断 诊断 诊断
背景情况:
- 尿细胞学对于检测尿路细胞癌 (UCC) 是至关重要的.
- 自动检测恶性细胞可以提高诊断效率.
- 转移学习模型为基于图像的医学诊断提供了潜力.
研究的目的:
- 为了比较六种转移学习模型的诊断性能,用于检测尿液细胞学中的恶性细胞.
- 评估集体学习与加权软投票对诊断准确性的影响.
- 评估这些人工智能技术在常规尿液查方面的潜力.
主要方法:
- 利用了104个经过组织病理学证明的高度UCC病例和86个良性病例.
- 应用了六个转移学习模型 (DenseNet121, inception_v3, ResNet50, MobileNetV2, VGG16, Xception) 到1369个恶性和446个良性尿液图像.
- 实现了动态训练优化和集体学习,使用前三种模型进行软投票.
主要成果:
- Xception模型显示了最高的个体性能 (灵敏度为88.57%,准确度为86.55%).
- 所有个体转移学习模型都实现了曲线下的面积 (AUCROC) ≥0.90.
- 整体模型实现了卓越的性能:92.10%的精度,95.41%的灵敏度,85.51%的特异性,91.23%的精度和0.977 AUCROC.
结论:
- 转移学习模型在尿细胞学中显示出高灵敏度,特异性和准确性,用于恶性细胞检测.
- 与软投票一起学习显著提高了与单个模型相比的诊断准确性.
- 转移学习和组合方法对例行尿癌查有很大的前景.