集成学习模型：一种用于检测积液细胞学中恶性病变的新技术

《Cytopathology》：Ensemble Learning Model: A Novel Technique to Detect Malignancy in Effusion Cytology

本研究首次应用六模型集成深度学习方法于体液细胞学恶性检测，采用DenseNet121、Xception等六种迁移学习架构结合软投票技术，对110例样本（59良性/51恶性）的755张Papanicolaou染色微摄影进行特征提取和微调，最终敏感性0.92、特异性0.89、AUROC0.96，证实集成框架在细胞学诊断中的高效性。

　　

摘要

目的与目标

本研究采用了一种集成学习模型，结合了六种迁移学习架构，用于检测积液细胞学中的恶性病变。

材料与方法

在本研究中，我们共有110例积液细胞学样本，其中59例为良性，51例为恶性。我们从Papanicolaou染色涂片中选取了755张具有代表性的显微照片。该集成学习模型包括DenseNet121、Xception、ResNet50、MobileNetV2、InceptionV3和VGG16，并采用了软投票技术。在初步特征提取后，通过解冻每个基础网络的最后一层来进行微调。神经网络是在Jupyter Notebook中实现的。

结果

该模型的灵敏度、特异性、准确率、精确度、阴性预测值、F1分数和AUROC分别为0.92、0.89、0.90、0.89、0.92和0.96。

结论

据我们所知，这是首次在积液细胞学中应用六模型集成深度学习方法的研究。这种结合迁移学习的框架展示了出色的诊断性能，未来可能成为积液细胞学中检测癌变的工具。

图形摘要

在积液细胞学中应用了带有软投票功能的集成学习模型来检测恶性病变。

利益冲突

作者声明没有利益冲突。