深層学習とアリコロニー最適化の統合による肺がん診断と予後の改善

科学分野:

• 医療における人工知能
• 計算知能
• 医用画像解析

背景:

• 肺がんの診断は、CT画像と医療記録の正確な解釈に依存している。
• 現在の診断方法は、高度な計算技術によって強化できる。
• AI駆動型ヘルスケアソリューションは、診断精度を向上させる可能性を示している。

研究 の 目的:

• 肺がん診断の精度と信頼性を向上させる。
• アリコロニー最適化（ACO）と深層学習モデルを統合し、検出能力を強化する。
• 腫瘍学における将来のAI駆動型ヘルスケアソリューションの基盤を確立する。

主な方法:

• アリコロニー最適化（ACO）と深層学習モデル（DenseNet、ResNet 50、VGG 19、およびLong Short-Term Memory（LSTM）ネットワーク）を組み合わせたアンサンブル学習。
• モデル性能を最適化するために、特徴選択にACOを採用した。
• 統合モデルをCT画像と医療記録からの肺がん診断に適用した。

主要な成果:

• アリコロニー最適化と深層学習を統合したアンサンブルモデルは、肺がん診断精度を大幅に向上させた。
• ACOとLSTMを組み合わせたDenseNetは、97.9%という最高の精度を達成した。
• ResNet 50は96.2%、VGG 19は92.3%の精度に達し、モデル性能向上におけるACOの効果を示した。

結論:

• アリコロニー最適化は特徴選択を効果的に最適化し、肺がん診断のための深層学習モデルの性能を大幅に向上させる。
• 本研究は、より正確で信頼性の高い医療診断のために、群知能と深層学習を組み合わせる可能性を示している。
• このアプローチは、AI駆動型ヘルスケアの有望な進歩を提供し、肺がんの診断と患者の転帰を改善する。