Xin Zhiyuan报告编辑：Yingzhi [Xin Zhiyuan简介]医疗变化的风暴即将到来！ ECGMPL模型就像医学领域的额外侦探。从细胞和组织的微观图像中，它没有准确地发现癌症的痕迹。子宫内膜癌的准确率几乎为100％，大于平均医生水平。 AI在医学领域变得越来越强大！与专业医生相比，有一个新开发的AI能够诊断癌症。包括澳大利亚查尔斯·达尔文大学（CDU）在内的国际科学研究团队开发了一种名为ECGMPL的模型。 ECGMPL专门研究细胞和组织的微观图像以检测子宫内膜癌。子宫内膜癌是生殖系统的常见肿瘤之一，此AI模型的准确率高达99.26％！研究人员还发现，调整了该模型，还可以诊断许多其他疾病ES，例如结直肠癌和口腔癌。 CDU的Asif Karim参与了研究，并说ECGMLP模型的准确性高达99.26％，这比今天使用的诊断方法强，并且具有快速的计算速度。扩展全文
通过研究消融，自我刺激机制和良好的训练，该模型可以在许多组织病理学数据中发挥出色的作用，并且是子宫内膜癌临床诊断的好助手。
在查看微观图像（即组织病理学图像）时，经过大量数据训练的AI模型可以使图像更清晰，以发现癌症的早期症状。
对于医生而言，很难在他们的眼中发现一些微小的变化，但是可以立即找到AI模型。
如今，医生诊断的准确性约为78.91％至80.93％。
如果可以预先看到子宫内膜癌，可以治疗，并且患者的五年预后是一种LSO有效。但是，如果癌细胞扩散在子宫外，则很难治疗。因此，及时的诊断对于挽救患者的生命特别重要。
用于实践的数据集图像的示例，显示正常子宫内膜（NE），子宫内膜息肉（EP），子宫内膜增生（EH）和子宫内膜腺癌（EA）
如今，美国有60万人患有子宫内膜癌。科学家发现ECGMLP的目的不仅是评估子宫内膜癌。
澳大利亚ACU副教授Niusha Shafiabady表示，使用相同方法还可以快速，准确地看到其他疾病，以便患者可以获得更好的治疗。
他们使用该模型测试了许多不同的组织病理学图像数据，发现结直肠癌的准确性可能高达98.57％，乳腺癌的准确性为98.20％，口腔癌的准确性为97.34％。
但是，这种AI模型不是要窃取DOctor的“米饭”。
它与癌症专家合作，以帮助医生更准确地评估病情，并查看治疗是否有效。
使用此模型诊断癌症更快，更易于实现且价格便宜。 Shafiaba补充说，AI研究模型可以充当软件系统大脑，以帮助医生做出有关癌症诊断的决定。
“事先发现和准确诊断子宫内膜癌对疾病的治疗和控制非常重要。使用深层研究算法研究组织病理学图像，主要在准确性和加工速度方面对子宫内膜癌进行了诊断。”
开发ECGMLP
ECGMLP模型的构建不会与高质量的数据集分开。
研究小组收集了新的子宫内膜标本，并在三位具有十多年病理经验的病理学家的光学显微镜下仔细检查了组织学部分，而下摆始终选择了具有诊断结果诊断结果的Atoxuin-Eosin（He）代表。
这些切片是通过混合扫描仪数字化的，以10倍或20倍的扩大为高分辨率图像，然后使用Olympus ImageView从原始的全片图像中恢复了伤口或健康组织的组织病理学区域。
最终数据集包含JPEG格式的3302张图像，分为四类：子宫内膜腺癌，子宫内膜增生，子宫内膜息肉和正常子宫内膜，每个类别包含不同数量的图像和子类型。
该数据集为模型培训和优化提供了坚实的基础。
图像过程
图像预处理是ECGMLP模型不可或缺的一部分，它直接影响了后续审查的准确性。
研究中使用了各种预处理方法，包括归一化，α-β的转化和非本地均值（NLM）DENO算法。
规范Alization通过将图像像素值缩放在0到1之间，从而使不同的图像可比较，从而使继续从不同照明条件下获得的图像中获取特征变得更加容易。
公式是
，该标准化为后续审查提供了基础。
α-β技术通过调整像素值来优化视觉对比度。 α参数控制图像的对比度，β参数控制亮度。
在这项研究中，α值设置为1.0，β值设置为2，该设置显着增强了组织的可见性和细胞结构边界，而维持的PSNR始终高于33dB。
NLM定义技术可以通过将小像素块与图像进行比较并找到相似的块来有效地消除噪声，从而用平均相同的块代替噪声块，同时保持关键的边缘信息和组织纹理。
公式是
，该方法提供了清晰的图像数据，以进行后续的准确检查。图像分割
图像段是从图像捕获感兴趣区域（ROI）的主要技术，而ECGMLP模型采用了一种基于水算法的多步分割方法。
该过程始于二进制阈值，并通过最大程度地减少前景和背景的类内变化来确定阈值，并在前面和背景中划分像素。
然后进行手术的形态操作，并使用2×2核心去除前区域的小孔和间隙；然后执行距离的更改，以获取从像素到最近背景像素的地图的每个图像距离；然后进行扩展操作以扩大立面区域。
应用阈值处理以确定前景区域；通过从指定的背景减少指定的前线来获得未知区域；将原始图像和标记与水算法相结合，以实现准确的图像段。
光度增强
到提高了模型的一般能力，研究已将光度增强技术应用于训练集和身份验证集。
通过更改图像中的亮度，不同，色调，饱和度和模糊，创建了具有不同视觉特征的原始图像的新版本。
总共使用了10种光度增强功能，例如组织亮度水平，改变对比度，通过木板增强图像特征，色相修复和饱和度以及施加高斯模糊。
这增加了差异训练数据，并改善了模型的整体分析。
ECGMLP的创新架构
ECGMLP模型内置在GMLP体系结构中，结合了MLP和Transformer的好处。
每个层由MLP块和一个控制信息流的门控机制组成，允许模型选择专注于各种输入组件，而MLP块负责获得高级功能es。
ECGMLP的模型必须在此基础上以目标方式进行优化。
形状[64×64×3]的图像是输入层中的第一个输入，并且数据增强层增加了训练样品的数量，并且减少了过度拟合。改进的数据包括形状片[128×128×3]。
补丁是通过贴片层中的[256×192]中的，然后通过完全连接的层获得了特征。
该模型包含许多顺序 - 系列GMLP层，由许多子层组成，并使用MLP和门控机制来产生信息表示。
每个GMLP层的输出用作下一层的输入。在层的归一化和1D层的全球平均处理后，最终预测最终由完全连接的层进行，其中有4个输出单位，这与子宫内膜癌的四类相对应。
在训练过程中，ADAMW优化器，包括重量LOSS正则化用于评估散布的跨透明损失分类和准确性指标，还使用研究率的调度来改善收敛性。
另外，在GMLP层中使用ELU激活函数而不是relu可以提高模型稳定性。
出色的ECGMLP性能
消融研究
通过更改网络层的结构，训练参数和超参数，例如图像大小，体重减轻，批处理大小，随机不活动率等，我们将对各种因素对模型准确性的影响进行深入研究。
该研究发现，有6个ECGMLP模块达到了最佳准确性98.61％，但出于实际原因，选择了4个模块，准确性速度为98.52％。全球最大汇总的准确率高达98.74％，高于全球平均池的98.52％。
ADAMW使其作为优化率最精确，准确率为98.52％；活动活动，ELU具有最高的准确率，达到99.26％；当研究率为0.003时，选择率最高。
多指数评论
使用许多指标评估了ECGMLP模型的性能，结果表明该模型的性能很好。
研究曲线在模型训练期间显示出出色的表现。随着实践的持续，损失的减少和准确性的提高，表明该模型是Epekit从数据中学习而没有过度拟合的迹象，并且性能绩效将继续提高。
ROC曲线（AUC）下的区域是完美的1.00，表明该模型具有识别不同类别并在不同分类标准下表现良好的能力。
通过10倍跨验证，该模型的精度在各种数据段中保持在98.99％和99.26％之间，这确认了该模型的稳定性和能力，并且可能显示出不同类型的高性能数据。
验证能力概括
为了评估ECGMLP模型的概括的概括，研究小组用涵盖不同类型癌症的组织病理学图像的许多外部数据集对其进行了测试。
结果表明，Modelo在所有这些数据集中都达到了高精度（97％），显示了对不同历史图像的不同图像的可靠能力。
即使在原始领域之外，ECGMLP模型也具有高级性能，这为其在更广泛的医疗领域的应用奠定了坚实的基础。
参考：
https://newatlas.com/cancer/ai-cancer-singnostic/return到sohu看到更多