评估深度学习在前列腺癌自动化Gleason分级中的性能
图像与视频处理
2024-03-26 v1 计算机视觉与模式识别
机器学习
组织与器官
摘要
前列腺癌是一个主要的健康问题，需要先进的诊断工具。本研究利用数字病理学和人工智能，探索了11种深度神经网络架构在前列腺癌自动化Gleason分级中的潜力，重点比较了传统架构与最新架构。基于AUCMEDI框架的标准化图像分类流水线，利用包含34,264张标注组织切片的内部数据集进行了稳健评估。结果表明，不同架构的敏感性存在差异，其中ConvNeXt表现出最强的性能。值得注意的是，较新的架构取得了更优的性能，尽管在区分高度相关的Gleason等级方面仍存在挑战。ConvNeXt模型能够在复杂性与泛化能力之间学习到平衡。总体而言，本研究为增强Gleason分级系统奠定了基础，有望提高前列腺癌的诊断效率。
引用
@article{arxiv.2403.16695,
title = {Assessing the Performance of Deep Learning for Automated Gleason Grading in Prostate Cancer},
author = {Dominik Müller and Philip Meyer and Lukas Rentschler and Robin Manz and Daniel Hieber and Jonas Bäcker and Samantha Cramer and Christoph Wengenmayr and Bruno Märkl and Ralf Huss and Frank Kramer and Iñaki Soto-Rey and Johannes Raffler},
journal= {arXiv preprint arXiv:2403.16695},
year = {2024}
}