-
基于注意力机制网络的多实例学习框架实现慢性胃炎多项病理指标的自动识别
编辑人员丨1周前
目的:应用注意力机制网络的多实例学习（Attention-MIL）框架技术，实现慢性胃炎多项指标的自动识别。方法:收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1 015例和上海市浦东医院诊断为胃炎活检病例115例，所有病理切片经扫描仪进行数字化处理，转化为全载玻片成像（whole slide imaging，WSI），WSI标签依据胃炎病理报告，包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集，Attention-MIL模型在3个测试集上评价自动识别的准确性。结果:Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积（AUC）值分别为：“活动性”0.98，“萎缩”0.89，“肠化”0.98，3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为：“活动性”0.95，“萎缩”0.86，“肠化”0.94，3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为：“活动性”0.93，“萎缩”0.84，“肠化”0.90，3项指标的平均准确率为85.5%。结论:在慢性胃炎的人工智能辅助病理诊断中，Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果，这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。
...不再出现此类内容
编辑人员丨1周前
-
不同机器学习方法对新型冠状病毒感染与社区获得性肺炎鉴别诊断分析
编辑人员丨2023/11/11
目的:利用深度学习技术,全自动标注病变的计算机断层扫描(CT)数据,开发准确快速区分新型冠状病毒感染(COVID-19)和其他社区获得性肺炎的人工智能模型.方法:回顾性分析248例COVID-19患者及347例其他肺炎患者的资料,进行COVID-19与其他肺炎分类;在人工智能肺分割提取后将异常的CT图像特征降维,输入几种经典强化机器学习模型、三维卷积神经网络(3D CNN)和注意力多示例学习(Attention-MIL)深层神经网络架构中,模型诊断性能利用受试者工作特性(ROC)曲线、精确召回率(PR)曲线、曲线下面积(AUC)、敏感性、特异性、准确性指标进行评价.结果:在经典机器学习模型中K邻近算法(KNN)具有较好的效果,在外部测试集上的AUC值和平均精度(AP)值分别为0.79和0.89,平衡F分数(F1)值为0.76,准确率为0.75,敏感性为0.76,精确率为0.77;经典的3D CNN在外部测试集上效果良好,AUC值和AP值分别为0.64和0.82,F1值为0.71,准确率为0.78,敏感性为0.66,精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性,AUC值和AP值分别为0.85和0.94,F1值达到0.82,准确率为0.92,敏感性为0.74,精确率为0.76.结论:与强化影像组学和3D CNN模型相比,深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能.
...不再出现此类内容
编辑人员丨2023/11/11
