CNN-OVA-SVM模型在结直肠腺癌多分化诊断中的价值

目的探究CNN-OVA-SVM模型应用于多分化类型的结直肠腺癌鉴别诊断中的实用价值。方法本研究选取了2012年1月-2016年3月间新疆医科大学附属肿瘤医院病理科收治的高、中、低分化类型腺癌患者各20例进行回顾性研究。提出了用于多分化类型结直肠腺癌鉴别诊断的CNN-OVA-SVM模型,该模型使用预先训练的ResNet50卷积神经网络对患者的结直肠组织切片图像进行特征提取,使用子分类器为支持向量机(Support Vector Machine,SVM)的一对多集成分类器对结直肠癌进行诊断,并与主流的分类算法K近邻(K-nearest Neighbor,KNN)、随机森林(Random Forests,RF)等进行比较。通过绘制受试者工作特征曲线(Receiver Operating Characteristic,ROC)和混淆矩阵,计算模型的精确率、召回率、F1分数、准确率等指标,对模型的准确率和性能进行直观的评估。结果本研究所提出的CNN-OVA-SVM模型对3种分化类型结直肠腺癌的总体分类准确率为86.11%,AUC值均超过0.88。结论CNN-OVA-SVM模型对于不同分化类型的结直肠腺癌的鉴别具有一定的临床价值。

AttRes34模型在食管鳞状细胞癌诊断中的应用价值

目的探讨基于注意力机制的ResNet34模型(Attention based ResNet 34 model,AttRes34)在食管鳞状细胞癌诊断中的应用价值。方法对2016年1月-2020年1月新疆医科大学附属肿瘤医院病理科收治的40例食管鳞状细胞癌患者资料进行回顾性研究。采用AttRes34模型对食管鳞状细胞癌进行辅助诊断。首先,将改进后的滑动窗口算法应用于原切片图像以生成众多的补丁图像;其次,通过AttRes34模型的Softmax分类器输出补丁图像的预测结果;最后,通过汇总补丁图像的预测结果(正常、鳞癌)推断出原切片的诊断结果。计算AttRes34模型的精度、召回率、F1分数、准确率,以及绘制受试者工作特征曲线(Receiver operating characteristic curve,ROC)和混淆矩阵,对模型的泛化性能进行评估,并与ResNet18、ResNet50模型进行比较。结果AttRes34模型对食管鳞癌组织和正常对照组织的总体分类准确率达到89.58%,ROC曲线下的面积(Area under curve,AUC)值达到0.975,其中阳性分类的精度、召回率以及F1分数分别为0.979、0.839和0.903。结论AttRes34模型对食管鳞状细胞癌的辅助诊断具有一定的临床价值。