论文速读：Artif Intell Med 多模态深度学习改善儿科低级别胶质瘤的复发风险预测

正文

请到「今天看啥」查看全文

评估数据集。

为了构建一个鲁棒且通用的分类模型， 研究人员 实现了一种基于损失的多类曲线下面积 的特征选择方法—— L-M-AUC方法。

（3） 模型应用和分类

使用公式计算样本质量指数。



测试过程 ：

• 使用多数投票方法，将得票最多的类别分配给样本，并提供该类别平均分数作为样本的最终分数。

• 这种方法不仅能够正确分类异质性模式，还能保持单个裁剪区域的分类结果。

  
  

3 实验结果

3.1荧光强度分类

（1）使用预训练的ResNet101网络提取深度特征。

（2）特征选择

• 标准差筛选 ：剔除样本内标准差较小的特征，平均剔除1536个特征（共2048个）。

• 基于熵的特征选择 ：根据基于熵的类别可分性标准对剩余特征进行排序，仅保留熵分数高于5的特征（共73个）。

（3） 应用线性判别分析（LDA）或支持向量机（SVM）进行分类：

• 在I3A数据集中区分阳性与中等强度 。

• 在PTV-HEp2样本中区分阳性与阴性强度。

  

（4） 交叉验证 采用留一法， 避免因非穷尽随机抽样导致的偏差。

（5） 模型应用

• 将在I3A数据集上训练的模型应用于PTV-HEp2样本的盲分类。

  
  

  

• 预期模型能够识别阳性样本，并将阴性样本标记为中间类别。

3.2 识别 ANA 模式

（1）I3A 数据集中 ANA 模式的分类

• 考虑的主要间期类别包括中心体、高尔基体、均质、核仁、核膜和斑点，同时排除排除有丝分裂纺锤体类别 。

• 特征提取与选择

• 使用预训练的CNN ResNet101提取深度特征。

• 使用L-M-AUC方法选择特征。

• 根据模型运行时间，选择LDA模型而非SVM模型。

结果 ：

• ROC曲线、混淆矩阵和JS指数结果如图。

• 平均AUC值为0.9913，平衡准确率（ACC）为0.9196。

• 所有类别均被良好识别，极少样本被错误分类。

• JS指数与结果的正确性呈正相关，对于错误分类样本平均值较低。

• 均质模式下，平均JS值很高，对应88.7%的准确率和预期的高样本内同质性。

请到「今天看啥」查看全文