2 статей
В исследовании представлена архитектура ансамбля глубокого обучения (ResNet50V2, DenseNet121, InceptionV3) для автоматической классификации цитологических изображений на доброкачественные и злокачественные. Наилучшие результаты показал ансамбль ResNet + DenseNet с использованием аугментации данных, достигнув точности 96.2% на локальном наборе данных.
Разработана система ИИ-ассистированной эндометриальной цитологии с использованием модели YOLOv5x для обнаружения аномальных клеточных кластеров. Система показала точность 85% и сократила медианное время диагностики на 45% по сравнению с оценщиками без ИИ-поддержки. Исследование демонстрирует возможность доступной, реальной ИИ-поддержки для цитологии с использованием широко доступного оборудования.
