《表2 HCC分期识别的混淆矩阵》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Wasserstein GAN的新一代人工智能小样本数据增强方法——以生物领域癌症分期数据为例》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

具体而言，当生成模拟样本数量为4000时，原始样本的测试准确率为70.97%（31个原始样本，22个预测正确），F-measure为70.07%，G-mean为68.39%。这时，DNN对癌症每一个时期的预测情况如表2所示。具体而言，当生成模拟样本数量为4000时，原始样本的测试准确率为70.97%（31个原始样本，22个预测正确），F-measure为70.07%，G-mean为68.39%。这时，DNN对癌症每一个时期的预测情况如表2所示。作为对照组的健康测试样本全部预测正确，8个TNM I期的测试样本有5个预测正确，有2个被预测为TNM II期，有1个被预测为TNM III期。10个TNM II期的测试样本有7个预测正确，有2个被错误的预测为健康样本，这以结果可能会带来比较大的漏诊风险，需要在未来的预测中对TNM II期样本保持关注，另外，还有1个样本被错误的预测为TNM III期。6个TNM III期样本只有3个被预测正确，另外3个样本被预测为TNM I期，对TNM III期样本的预测准确率只有50%，这也拉低了DNN分类器整体的预测准确率，在未来的研究中需要尝试增加TNM III期的原始训练样本数量，进一步提高DNN模型对TNM III期的特异性学习能力。根据生物学，因为TNM I期和II期具有类似的临床表征，可以将其归为一类，共称为癌症的早期。从对于肝细胞癌早期的预测效果来看，共18个癌症早期测试样本，有14个预测正确，预测准确率达到了77.78%，超过了分类器总体的预测准确率，这对于肝癌的早期识别与治疗有重要意义，因为目前的研究发现，对肝癌的早期治疗能够显著提高患者的存活率[69]。Holzinger等[70]最近的一项研究表示如果机器学习能够为数字化病理学提供帮助，将会显著改变病理学家的医学研究流程。因此，对癌症分期的准确预测为进一步研究肝癌的致病机理提供了可能性。