10、基于集成卷积神经网络的食管癌分类研究

基于集成卷积神经网络的食管癌分类研究

1. 食管癌分类相关研究进展

在食管癌分类领域，已有众多研究采用不同方法进行诊断、分割和分类。以下是一些相关研究的成果：
|研究人员|研究内容|性能指标|
| ---- | ---- | ---- |
|Ishihara 等|评估集成超声内镜（EUS）和传统内镜图像诊断食管鳞状细胞癌（ESCC）的性能。初始用非放大内镜（non - ME）和放大内镜（ME）诊断癌症浸润深度。|传统内镜图像：敏感性 50.4%，特异性 89.6%，准确性 72.9%；集成 EUS 后：敏感性 64.3%，特异性 81.2%，准确性 74%|
|Du 等|提出深度学习模型对四种主要食管异常进行分类，包括癌前食管疾病（PEDs）、早期食管癌（EEC）、晚期食管癌（AEC）和正常食管（NE）。|准确性 90.63%，精确性 89.71%，敏感性 89.26%，F1 分数 89.45%|
|Wang 等|开发基于人工智能的深度学习模型诊断早期食管癌，并将其分类为低级别鳞状上皮不典型增生、高级别鳞状上皮不典型增生和鳞状细胞癌。|敏感性 96.2%，特异性 70.4%，诊断准确性 90.9%|
|Mohammad 等|提出基于模糊 C 均值的方法结合形态分析和三个全连接隐藏层检测食管癌，使用前馈网络分析。|准确性 95%|
|Yu 等|提出深度学习模型诊断食管病变，可对不同病变进行分类和检测。|准确性 96.76%|
|Zhao 等|提出使用 Inception V3 的卷积神经网络（CNN）模型，结合窄带成像（NBI）图像分析巴雷特食管（BE）和早期食管腺癌（EAC）。|准确性 91%，敏感性 90%，特异性 92%|
|