الملخص: تُقسم الخلايا إلى فئات "عادية" و"غير عادية" للتعرف الآلي على عنق الرحم باستخدام مسحات باب من علم الخلايا القائم على السوائل، وهي تقنية ناجحة جدًا لاكتشاف الأورام تعتمد على تصوير الخلايا. ومع ذلك، فإن تقسيم الخلايا بدقة ضروري لمعظم تقنيات التصنيف التقليدية لاكتشاف خلايا السرطان. في ظل وجود الأنسجة والأمراض، لا يزال التقسيم الدقيق يمثل مشكلة على الرغم من 60 عامًا من البحث في هذا المجال. علاوة على ذلك، تعتمد تقنيات التصنيف السابقة فقط على استخراج الخصائص التي تم إنشاؤها يدويًا مثل الشكل والملمس. للتغلب على هذه العيوب، يقترح البحث الحالي طريقة تستخدم شبكة توقع سرطان عنق الرحم مع تعلم بعدد قليل من اللقطات (CCFSNet) لتصنيف أنسجة عنق الرحم مباشرة باستخدام ميزات التعلم العميق دون تطبيق أي تقسيم سابق. هنا، يتم تدريب FSNet أولاً باستخدام مجموعة بيانات من خلايا عنق الرحم مكونة من لقطات صور تم توسيطها بشكل خشن على طبقة النوى وإعادة عيينها بشكل تكيفي. يتم تطبيق التكامل لحساب متوسط درجة حساب مجموعة من لقطات الصور المرتبطة خلال مرحلة التحقق. تقيم مجموعتا بيانات مسحة باب وعلم الخلايا القائم على السوائل (LBC) الطريقة الموصى بها. تشير النتائج إلى أن نموذج CCFSNet المقتَرح لدينا أفضل من الأساليب السابقة من حيث دقة الأداء بنسبة 98.5%، وزيادة الخصوصية بنسبة 98.3%، وقيمة منطقة تحت منحنى الدالة (AUC) بنسبة 99%. حصلنا على هذه المقاييس المحسنة للأداء عند استخدام التقنية المقترحة في مجموعة بيانات مسحة باب معيار هرلف وتحليلها باستخدام عملية CV بالخمس طيات. يمكن أيضًا استخدام مجموعة بيانات HEMLBC للبحث لتحقيق كفاءة متقدمة مماثلة. تظهر طريقتنا وعدًا لإنشاء أنظمة قراءة بدعم آلي للاختبارات الأساسية لعنق الرحم.
أنوباما وآخرون (الجمعة)، درسوا هذا السؤال.