用于检测尿液细胞学中恶性细胞的迁移学习模型的比较评估

《Cytopathology》：Comparative Evaluation of Transfer Learning Models for Detecting Malignant Cells in Urinary Cytology

尿液细胞学中六种迁移学习模型及集成方法检测尿路上皮细胞癌的对比研究。通过104例恶性尿液中皮细胞癌和86例良性样本的1369+446张图像分析，Xception模型表现最佳（敏感度88.57%，准确率86.55%），集成模型准确率达92.10%。首次系统评估迁移学习在尿液细胞学中的应用，证实集成方法可显著提升诊断准确性。

　　

摘要

目的与目标

在本文中，我们比较了六种迁移学习模型在检测尿液细胞学中的恶性细胞方面的效率。我们还应用了加权软投票的集成学习方法，以评估其在尿液细胞学诊断准确性中的重要性。

材料与方法

共选取了104例尿路上皮细胞癌（UCC）病例和86例非恶性（良性）病例的尿液样本。所有104例UCC病例均经组织病理学诊断为高级别尿路上皮细胞癌。尿液细胞学检查结果为阴性的病例均进行了临床随访。良性样本共有446张图像，恶性样本共有1369张图像（放大倍数为100倍）。我们使用了六种迁移学习模型（DenseNet121、inception_v3、ResNet50、MobileNetV2、VGG16和Xception）来检测尿液中的恶性细胞。为了比较不同模型的性能，我们进行了动态训练优化，并在每个模型达到最佳性能后自动停止训练。此外，我们还使用了包含前三名模型的集成学习方法（结合软投票）来提高诊断准确性。

结果

Xception迁移模型表现出最高的敏感性（88.57%）、准确性（86.55%）、精确度（80.52%）和F1分数（84.35%），是表现最好的模型。其他两个表现最好的模型是InceptionV3和ResNet50。所有迁移学习模型的接收者操作特征曲线下面积（AUCROC）均≥90。集成学习模型的准确性、敏感性、特异性、精确度、F1分数和AUCROC分别为：92.10%、95.41%、85.51%、91.23%和0.977。

结论

这是我们首次评估大量迁移学习模型在尿液细胞学中检测恶性细胞的应用效果。所有模型均显示出较高的敏感性、特异性和准确性。此外，结合软投票的集成学习技术比单独的前三名迁移学习模型表现更为优异。迁移学习和集成模型在尿液常规筛查中具有很高的应用潜力。

图形摘要

该图表展示了研究的主要材料与方法，以及六种迁移学习模型（DenseNet121、inception_v3、ResNet50、MobileNetV2、VGG16和Xception）和结合软投票的集成学习技术的混淆矩阵。同时也展示了假阳性和假阴性病例的情况。

利益冲突

作者声明没有利益冲突。

数据可用性声明

研究数据不对外共享。