ExtRanFS:一种使用极端随机特征选择器的自动肺癌恶性检测系统.

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和计算机辅助诊断

背景情况:

• 肺癌以不受控制的细胞生长为特征,如果不及早检测到,就会造成严重的健康风险.
• 准确及时诊断肺瘤是良性,恶性或正常的,对于有效的治疗计划至关重要.
• 现有的诊断方法可能耗时,并且可能从自动化,人工智能驱动的方法中受益.

研究的目的:

• 开发和评估一个名为ExtRanFS的自动肺癌恶性发现框架.
• 利用转移学习和先进的机器学习技术来对肺部CT扫描进行分类.
• 为了提高区分良性,恶性和正常肺部疾病的准确性和效率.

主要方法:

• 使用IQ-OTH/NCCD数据集,包括110名患者的CT扫描 (40名恶性,15名良性,55名健康患者).
• 采用预先训练的VGG16模型作为一个卷积特征提取器.
• 集成了一个极端随机树分类器来选择特征,然后是多层感知子 (MLP) 分类器来进行最终分类.

主要成果:

• ExtRanFS框架实现了高性能指标:99.09%的准确性,98.33%的灵敏性和98.33%的F1-Score.
• 对比分析表明,拟议框架的性能优于其他预先训练的模型和现有的最先进的分类器.
• 该系统有效地将肺CT扫描分为良性,恶性或正常类别.

结论:

• 开发的ExtRanFS框架显示了自动肺癌恶性瘤检测的重大前景.
• 这种人工智能驱动的方法为医疗从业者提供了一个高度准确和高效的工具.
• 该系统可以帮助早期和精确的诊断,可能有利于患者的治疗和结果.