Histopathology Classification of Colorectal Cancer Whole Slide Images Using Color Features with Deep Residual Transfer Learning
Notice bibliographique
Résumé
Colorectal cancer (CRC) is an emerging global health concern. An average of 73 Canadians will be diagnosed with CRC every day and 27 Canadians will lose their life as a result of it. CRC accounts for 12% of all cancer deaths in Canada in the year 2020. Early and accurate diagnosis is vital in saving lives as it significantly influences the length of survival of the patient. Deep learning can be leveraged to aid in the task of identifying cancerous cells within pre-cancerous tissue samples, which are taken from colorectal polyps of patients for CRC screening. In this study, an attempt to improve existing supervised methods of classification of colorectal cancer is made. By revamping/improving the deep learning architecture in ResNet. The network will be trained on a much larger and relevant dataset of colorectal WSI (Whole Slide Image) patches. This study aims to attain better overall accuracy by incorporating color features, which have not been concentrated on in previous studies. All while retaining similar performance as compared to existing state-of-the-art methods of CRC classification. Four network models are applied to a large histopathological dataset. All network models are variations of Residual networks at multiple depths. The best results are attained using a pre-trained ResNet-50 model. The overall results show that the residual network performs similarly to the much deeper DenseNet-121 model and better than the cell level framework described in a previous study. The ResNet-50 model achieved 88.58%, 92.04%, 81.86%, 86.65% Accuracy, Precision, Recall and F1-Score respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».