MMJun, 2022

基于机器学习的肺部和结肠癌检测：深度特征提取和集成学习

PDF
TL;DR本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型，用于高效自动识别肺癌和结肠癌，模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。
cancermachine learningdeep learninglung cancercolon cancer
发现论文，激发创造
  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • 肺和结肠癌组织病理图像数据集（LC25000）

    本研究创建了一个包含 25,000 张医学图像的数据集（LC25000），包括多种组织病理类型，为机器学习和人工智能领域的研究提供了一个可用的数据资源。

    Dec, 2019

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 利用可解释机器学习方法基于标准血液检测结果和吸烟状况进行肺癌的肺病医生级别检测

    通过丹麦地区 2009 年至 2018 年的肺癌疑似患者数据，利用动态集成选择的机器学习模型，在标准血样分析和吸烟史数据基础上，成功实现肺癌的早期检测，表现优于肺病学家，关键因素包括吸烟状况、年龄、总钙水平、中性粒细胞计数和乳酸脱氢酶。

    Feb, 2024

  • 基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

    利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

    Oct, 2023

  • 评估 LeNet 算法在伊拉克肿瘤教学医院 / 国家癌症疾病中心的肺癌分类中的应用

    使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

    May, 2023

  • 基于深度学习的肺癌风险因素人工智能预测

    本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

    Apr, 2023

  • 深度学习用于肺癌检测：解决 Kaggle 数据科学比赛 2017 挑战

    本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过 3D 肺部 CAT 扫描检测肺结节，判断恶性程度并计算癌症概率，参加 Kaggle Data Science Bowl 2017 竞赛并取得了第 41 名的好成绩。

    May, 2017

  • 基于深度学习的结直肠癌可解释性生存预测

    本研究通过开发基于深度学习的系统，在 3,652 例（27,300 张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含 1,239 例（9,340 张切片）和 738 例（7,140 张切片）的评估，该系统实现了 0.70 和 0.69 的 5 年疾病特异性存活 AUC，并为一组 9 个临床病理特征提供了显著的预测价值。

    Nov, 2020