使用迁移学习预测胶质瘤的生存期与分级
计算机视觉与模式识别
2024-02-07 v1 人工智能
机器学习
摘要
胶质母细胞瘤是一种高度恶性的脑肿瘤，若不治疗，预期寿命仅为3至6个月。准确检测并预测其生存期和分级至关重要。本研究引入了一种使用迁移学习技术的新方法。通过详尽的优化，测试了包括EfficientNet、ResNet、VGG16和Inception在内的多种预训练网络，以确定最合适的架构。应用迁移学习在胶质母细胞瘤图像数据集上对这些模型进行微调，旨在实现两个目标：生存期预测和肿瘤分级预测。实验结果显示，生存期预测准确率为65%，可将患者分为短期、中期或长期生存类别。此外，肿瘤分级预测的准确率达到97%，能准确区分低级别胶质瘤（LGG）和高级别胶质瘤（HGG）。该方法的成功归功于迁移学习的有效性，超越了当前最先进的方法。总之，本研究提出了一种预测胶质母细胞瘤生存期和分级的有前景的方法。迁移学习展示了其在增强预测模型方面的潜力，尤其是在大型数据集有限的场景中。这些发现有望改善胶质母细胞瘤患者的诊断和治疗方法。
引用
@article{arxiv.2402.03384,
title = {Survival and grade of the glioma prediction using transfer learning},
author = {Santiago Valbuena Rubio and María Teresa García-Ordás and Oscar García-Olalla Olivera and Héctor Alaiz-Moretón and Maria-Inmaculada González-Alonso and José Alberto Benítez-Andrades},
journal= {arXiv preprint arXiv:2402.03384},
year = {2024}
}