// AI 新闻 · 2026-11-14 · Nature
基于两光子成像的前列腺组织无标签分类框架
研究团队开发了一种无需标签的前列腺组织分类方法，结合两光子荧光显微镜与组织微阵列样本，对295张图像（146正常、149肿瘤）进行分析。采用三种策略：基于灰度共生矩阵的手工纹理特征分类、MobileNetV3-Small架构的全局-局部深度学习模型（GFN、GLFN、GLEN），以及主成分分析（PCA）增强的模型。在组间五折交叉验证下，GLEN模型表现最优，准确率达86.10%，AUC达0.914，肿瘤召回率为87.92%。PCA降维未降低GLEN分类性能，表明深度特征中存在可保留的判别信息。
原文发布 2026-11-14 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
该方法展示了无标签两光子成像与全局-局部深度学习结合在前列腺组织自动分类中的潜力，但需进一步在更大独立队列及患者层面验证其泛化能力与临床适用性。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 基于两光子成像的无标签分类框架在295张组织图像上实现高精度判别，其中GLEN模型准确率达86.10%
- GLEN模型AUC达0.914，肿瘤召回率87.92%，优于GLCM和传统机器学习方法
- PCA降维处理后GLEN分类性能保持不变，表明深度特征中存在可保留的判别信息
- 研究强调需在更大独立队列及患者层面验证模型的临床适用性
03原文出处
A deep learning framework for label-free prostate tissue classification using two-photon imaging
Nature · 发布于 2026-11-14 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-14 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日