在卷积神经网络中的迁移学习用于区分甲状腺细针穿刺细胞学标本中的滤泡性腺瘤与滤泡性癌

《Cytopathology》:Transfer Learning in Convolutional Neural Network to Differentiate Follicular Adenoma Versus Follicular Carcinoma of Thyroid on Aspiration Cytology Material

【字体: 大 中 小 】 时间:2026年05月20日 来源:Cytopathology 1.1

编辑推荐:

   摘要 目的与方法 在本文中,我们尝试构建了一个基本的卷积神经网络模型,并在其基础上开发了一个迁移学习模型,用于通过细针穿刺细胞学(FNAC)区分甲

  

摘要

目的与方法

在本文中,我们尝试构建了一个基本的卷积神经网络模型,并在其基础上开发了一个迁移学习模型,用于通过细针穿刺细胞学(FNAC)区分甲状腺的滤泡性腺瘤(FA)和滤泡性癌(FC)。

材料与方法

我们选择了经组织病理学证实的滤泡性腺瘤(25例)和滤泡性癌(29例)病例。对于每个病例,我们选取了最佳染色的May Grunwald Giemsa涂片,并使用奥林巴斯显微镜(Olympus DP74)在40倍物镜下从涂片最具代表性的区域拍摄了10到11张代表性显微照片。滤泡性腺瘤共有347张显微照片,滤泡性癌共有229张显微照片。这些照片被分为训练集(406张,70%)、验证集(89张,15%)和测试集(81张,15%)。卷积神经网络(CNN)的基本模型是用Python 3.11.11构建的。随后,我们还在相同的照片上使用了预训练的MobileNetV2迁移学习模型。我们在Jupyter笔记本中运行该模型,共进行了15个周期,每个周期包含13步。

结果

基础模型的灵敏度和特异性分别为72.41%和88.46%,准确率、精确度和F1分数分别为82.71%、77.78%和75.00%。接收者操作特征曲线(ROC)下的面积(AUC)为0.85。迁移学习模型的灵敏度和特异性分别为82.76%和92.31%,准确率、精确度和F1分数分别为88.89%、85.71%和84.21%。接收者操作特征曲线(ROC)下的面积(AUC)为0.94。

结论

我们构建了一个基于CNN的基础模型和迁移学习模型(MobileNetV2),并成功地区分了甲状腺FNAC中的滤泡性腺瘤和滤泡性癌。据我们所知,这是首次将CNN应用于甲状腺滤泡性肿瘤的研究。

图形摘要

本文构建了一个卷积神经网络(基础模型)和迁移学习模型,用于通过细针穿刺细胞学区分甲状腺的滤泡性腺瘤和滤泡性癌。

利益冲突

作者声明没有利益冲突。

数据可用性声明

作者无需报告任何内容。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号