专栏名称: AI与医学
分享前沿的人工智能与医学交叉研究,提供医疗科研服务。关注大壮,科研顺畅。做医护人员科研的小助手,为您全心全意服务。
目录
相关文章推荐
济南时报  ·  时隔6个月重回赛场,樊振东一日四胜 ·  4 小时前  
济南时报  ·  时隔6个月重回赛场,樊振东一日四胜 ·  4 小时前  
FM1007福建交通广播  ·  时隔6个月重回赛场,樊振东一日四胜! ·  5 小时前  
FM1007福建交通广播  ·  时隔6个月重回赛场,樊振东一日四胜! ·  5 小时前  
九派新闻  ·  时隔6个月重回赛场,樊振东一日四胜! ·  6 小时前  
九派新闻  ·  时隔6个月重回赛场,樊振东一日四胜! ·  6 小时前  
数据中心运维管理  ·  超大规模数据中心如何重新思考冷却效率 ·  5 天前  
51好读  ›  专栏  ›  AI与医学

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

AI与医学  · 公众号  ·  · 2025-02-09 01:11

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