用混合模型为食道内镜检测做好充分准备,并转移学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 通过内镜检测食道癌的早期发现至关重要,但由于模两可的视觉特征和依赖医生的专业知识而具有挑战性.
• 当前的人工智能诊断模型通常需要广泛的数据集,限制它们在低数据场景中的使用.
• 从炎症性食道疾病的准确区分对于有效的诊断至关重要.

研究的目的:

• 开发和评估一种新的基于人工智能的计算机辅助诊断系统,用于使用内镜图像检测食道癌症.
• 通过采用转移学习策略,应对医学成像数据有限的挑战.
• 通过集成EfficientNet和Vision Transformer网络的混合模型来提高预测准确度.

主要方法:

• 利用转移学习用于数据训练策略,优化用于有限的数据集.
• 开发了一个混合AI模型,结合了EfficientNet和Vision Transformer架构.
• 在1002张内镜图像的精选数据集上评估模型 (650张白光,352张窄带).

主要成果:

• 混合人工智能模型实现了高性能指标:96.32%的准确性,96.44%的精度,95.70%的回忆和96.04%的F1-score.
• 在分类准确性方面表现优于最先进的模型和单个网络组件.
• 证明了卓越的预测准确性,紧的模型尺寸和适应性低数据环境.

结论:

• 拟议的AI平台为食道癌症诊断的计算机辅助内镜成像提供了显著的进步.
• 混合模型显示了在资源有限的环境中精确的医学图像分类的强大潜力.
• 这项研究为改善食道癌的早期检测和治疗铺平了道路.