3、深度学习在癌症诊断中的应用现状

深度学习在癌症诊断中的应用现状

1. 癌症诊断中的深度学习应用概述

深度学习算法（DLAs）在癌症诊断领域正发挥着越来越重要的作用。在皮肤癌诊断方面，会对预处理后的皮肤镜图像进行分类，预处理步骤包括降噪和去除毛发。通过不同的DLAs对各类癌症进行诊断，不同的DLAs在不同癌症类型上展现出不同的分类准确率。

2. 诊断辅助工具与数据集情况

CAD系统采用了多种诊断辅助工具，以下是不同诊断工具的使用占比情况：
| 诊断工具 | 占比 |
| — | — |
| 组织病理学图像和全切片图像（WSIs） | 37% |
| MRI扫描 | 17% |
| 显微镜下血细胞和血涂片图像 | - |
| 皮肤病变图像 | - |
| CT扫描 | - |
| 超声 | - |
| 内镜图像 | - |
| 其他 | 小部分 |

数据集的大小对模型的准确性有显著影响。足够大的数据集对于模型的正确训练和验证是必不可少的，通常更大的数据集能带来更好的结果。然而，由于可用数据的缺乏，一些模型只能使用小尺寸的数据集。研究人员在数据收集方面面临诸多问题，因为大量从医院获取的数据集和医学图像是加密的DICOM文件，不易访问和处理。统一来自不同来源的医学图像数据集会对此有所帮助。

数据增强是增加数据集中图像数量的有效方法。一些数据增强技术包括添加噪声、旋转、裁剪和过滤图像等。不同研究人员使用的数据集大小情况如下：
- 近60%的研究人员使用了超过1000张图像。
- 23%的研究人员使用了少于500张图像。

这里的数据集大小是在