핵심 개념
Entwicklung eines computergestützten Diagnosesystems zur Unterstützung von Ärzten bei der Früherkennung von Lungenmetastasen, um die Wartezeit für Patienten zu verkürzen und eine frühzeitige Behandlung zu ermöglichen.
초록
Die Studie zielt darauf ab, ein computergestütztes Diagnosesystem für die Endobronchialultraschall-Chirurgie (EBUS) zu entwickeln, um Ärzten bei der Erstdiagnose von Metastasenkrebs zu unterstützen. Dies ermöglicht es, nach der EBUS-Operation sofort weitere Untersuchungen auf andere Metastasenlokalisationen einzuleiten, ohne auf Berichte warten zu müssen, wodurch sich die Wartezeit um mehr als die Hälfte verkürzt und Patienten andere Krebsarten früher erkennen können, was eine frühzeitige Planung und Umsetzung von Behandlungsplänen ermöglicht.
Im Gegensatz zu früheren Studien zur Klassifizierung von Zellbildern, die über umfangreiche Datensätze für das Training verfügten, muss diese Studie auch bei begrenzter Fallzahl für Lungenmetastasen effektive Klassifizierungen vornehmen können. Dafür wird der Ansatz des Few-Shot Learning (FSL) verwendet, der in den letzten Jahren im Bereich der Klassifizierung kleiner Datensätze an Bedeutung gewonnen hat. Durch die Fähigkeit, mit kleinen Datensätzen zu trainieren und eine starke Generalisierungsfähigkeit aufzuweisen, zeigt FSL Potenzial für diese Aufgabe der Klassifizierung von Lungenmetastasenzellbildern.
Die Studie kombiniert verschiedene FSL-Methoden, ausgehend vom aktuellen Basismodell PMF, und entwickelt ein Modell zur Klassifizierung von Lungenmetastasenzellbildern. Dabei wird die Batch Spectral Regularization (BSR) als Verlustfunktionsparameter einbezogen und die Finetune-Methode von PMF modifiziert. Die Testergebnisse zeigen, dass der in dieser Studie verwendete Ansatz eine um 10,6% bzw. 6,2% höhere Genauigkeit aufweist als überwachtes Lernen und Transfer Learning. Dies deutet darauf hin, dass die Verwendung von FSL kleine Datensätze wie Lungenmetastasenkrebszellbilder besser klassifizieren kann. Darüber hinaus erhöht die Hinzunahme von BSR und die modifizierte Finetune-Methode die Genauigkeit um weitere 8,89% auf 65,60% und übertrifft damit andere FSL-Methoden.
통계
Die Studie zeigt, dass der in dieser Arbeit verwendete Ansatz BPMT eine Genauigkeit von 65,60% bei der Vorhersage des Krebstyps in den Testdaten der Zellbilder erreicht.
Die Präzision und der Recall wurden auf über 0,55 verbessert, wobei einige Kategorien 0,8333 erreichten.
인용구
"Durch die Fähigkeit, mit kleinen Datensätzen zu trainieren und eine starke Generalisierungsfähigkeit aufzuweisen, zeigt FSL Potenzial für diese Aufgabe der Klassifizierung von Lungenmetastasenzellbildern."
"Die Testergebnisse zeigen, dass der in dieser Studie verwendete Ansatz eine um 10,6% bzw. 6,2% höhere Genauigkeit aufweist als überwachtes Lernen und Transfer Learning."
"Die Hinzunahme von BSR und die modifizierte Finetune-Methode erhöhen die Genauigkeit um weitere 8,89% auf 65,60% und übertreffen damit andere FSL-Methoden."