简介:摘要目的探索建立基于深度迁移学习的人工智能肺癌辅助诊断系统并评估其应用价值。方法收集2016至2019年之间首都医科大学附属北京胸科医院保存的519例肺部组织切片(包括正常肺、腺癌、鳞状细胞癌和小细胞癌),扫描成数字切片,分为316张训练集和203张内部测试集。训练集由病理医师进行标注,使用基于ResNet-50的DeepLab v3图像分割模型建立肺部癌区像素级识别模型。在模型训练过程中,将胃部癌区识别模型的参数作为初始值,通过迁移学习策略对肺部癌区识别模型参数进行二次训练优化。再分别利用首都医科大学附属北京胸科医院的203张内部测试集以及从美国癌症影像档案(TCIA)数据库获得的1 081张外部测试集对已建立的辅助诊断模型进行验证。结果在较少样本量的情况下,迁移学习模型比普通模型显示出更好的识别准确度[曲线下面积(AUC)值0.988∶0.971,Kappa值0.852∶0.832]。此外,对外部测试集,该研究建立的迁移学习模型诊断AUC值为0.968,Kappa=0.828,表示该模型具有很好的推广性。结论该研究建立的人工智能肺癌病理辅助诊断方法具有较好的准确性和外部推广性。随着病理人工智能研究的不断深入,迁移学习方法有助于缩短诊断模型训练周期,提高诊断模型的准确性。
简介:目的探索应用机器学习技术开展病媒生物的种属鉴定并基于Python语言开发病媒生物机器鉴定系统。方法采用专家会商法提取宁波口岸常见蝇类的鉴别特征规则,构建特征与不同蝇种一一对应的训练样本数据集。应用k-近邻分类算法进行机器学习,并开发图形用户界面将整个机器学习运算及鉴定过程内嵌其中。结果抽提出复眼大小、颜色等7个特征,建立95×8维向量矩阵的训练样本数据集;开发病媒生物机器学习与鉴定系统,将80%的数据用于训练,20%的数据用于测试,正确率达到100%。由一名新手借助该信息系统对口岸新采集到的10只蝇进行种属鉴定,准确率达到90%。这些新的鉴定数据导入训练数据集再次进行自我学习、提升经验值。如此往复,逐步将该系统培育成长为病媒生物鉴定专家系统。结论以机器学习为特征的人工智能在病媒生物鉴定工作中的推广应用,将极大地提升工作效率,为我国的病媒生物防控工作奠定坚实基础。