Tiefe konvolutionale neuronale Netzwerke unter Verwendung einer aktiven Lernstrategie für das Screening und die Diagnose von Gebärmutterhalskrebs

Gebärmutterhalskrebs (CC) ist der vierthäufigste bösartige Tumor bei Frauen weltweit. Der Aufbau eines hochgenauen tiefen konvolutionalen neuronalen Netzwerks (DCNN) für das Screening und die Diagnose von Gebärmutterhalskrebs ist wichtig für die erfolgreiche Prävention von Gebärmutterhalskrebs. In dieser Arbeit haben wir ein robustes DCNN für das Screening von Gebärmutterhalskrebs unter Verwendung von Ganzschnittbildern (WSI) von ThinPrep-Zytologietests (TCT) von 211 Gebärmutterhalskrebs- und 189 normalen Patienten vorgeschlagen. Wir verwendeten eine aktive Lernstrategie, um die Effizienz und Genauigkeit der Bildbeschriftung zu verbessern. Die Sensitivität, Spezifität und Genauigkeit des besten Modells betrugen 96,21 %, 98,95 % und 97,5 % für die Identifizierung von CC-Patienten. Unsere Ergebnisse zeigten auch, dass die aktive Lernstrategie der traditionellen überwachten Lernstrategie in Bezug auf Kostenreduktion und Verbesserung der Bildbeschriftungsqualität überlegen war. Die zugehörigen Daten und der Quellcode sind frei verfügbar unter https://github.com/hqyone/cancerᵣcnn.