用于识别转移性乳腺癌的深度学习
定量方法
2016-06-21 v1 计算机视觉与模式识别
摘要
国际生物医学成像研讨会 (ISBI) 举办了一场大奖赛，以评估用于在哨兵淋巴结活检的全切片图像中自动检测转移性乳腺癌的计算系统。我们的团队赢得了大奖赛中的两项比赛，在全切片图像分类任务中获得了 0.925 的受试者工作特征曲线下面积 (AUC)，在肿瘤定位任务中获得了 0.7051 的分数。一位病理学家独立审查了相同的图像，获得了 0.966 的全切片图像分类 AUC 和 0.733 的肿瘤定位分数。将我们深度学习系统的预测与人类病理学家的诊断相结合，将病理学家的 AUC 提高到了 0.995，这意味着人类错误率降低了约 85%。这些结果展示了利用深度学习在病理诊断准确性上产生显著改善的能力。
引用
@article{arxiv.1606.05718,
title = {Deep Learning for Identifying Metastatic Breast Cancer},
author = {Dayong Wang and Aditya Khosla and Rishab Gargeya and Humayun Irshad and Andrew H. Beck},
journal= {arXiv preprint arXiv:1606.05718},
year = {2016}
}