机器学习算法在颈动脉斑块影像学分类中的研究进展

颈动脉斑块的识别和成分诊断,对于斑块稳定性的评估、引发脑卒中等事件的风险预测和治疗方案的选择等具有重要意义。机器学习算法通过自动识别影像学颈动脉斑块以及判断斑块内主要成分,可以缓解医生的视觉负担、降低工作量、减轻医疗压力,具有重要的潜在应用价值。文中综述机器学习算法在影像学颈动脉斑块分类中的研究进展,就机器学习算法在颈动脉斑块分类中的研究流程、算法和文献进行总结和归纳。     

一种基于深度学习多分类模型的肺部细胞病理涂片鉴别诊断方法

目的 采用快速在线细胞病理学评估方法进行肺癌中晚期患者的病理评估，是目前常用诊断方法，但存在人工诊断准确率低和细胞病理医生人数不足等问题。本文提出一种基于深度学习的细胞病理涂片多分类方法，以求实现六类常见肺部细胞病理涂片的鉴别诊断。方法 本文提出了一种基于CBAM注意力机制增强的ResNet-18网络，以及一种由粗到细的多分类框架，并对深度学习分类方法的特征激活图进行了分析。结果 本文共收集了313张肺部Diff-quick染色的细胞病理涂片，其中259张用于训练，54张用于测试。本文所提出方法在正常肺组织、小细胞癌、非小细胞癌、鳞癌、腺癌和类癌共计6种细胞的分类鉴别中取得了准确率为70.4%、精确率为81.5%,召回率为78.2%和F1评分为78.9%的结果。在与金标准的相关性对比中，该模型与高年资细胞病理学医生相当，高于低年资细胞病理学医生。结论 本文提出了一种基于深度学习多分类模型的肺部细胞病理涂片鉴别诊断方法，该方法可以协助细胞病理学医生进行肺癌患者的细胞病理涂片诊断，并提高快速在线细胞病理学评估的可行性。