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
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。


