一个图形神经网络模型用于诊断肺腺癌,基于多式特征和边缘生成网络

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 肺癌对全球健康构成重大挑战,需要改进早期检测方法.
• 多模式成像功能对于准确的肺腺癌预测至关重要.
• 临床需要强大的腺癌诊断模型,整合各种数据.

研究的目的:

• 开发一种新的肺腺癌多重分类模型.
• 为了利用图形神经网络 (GNN) 实现有效的多式联通特征融合.
• 为了提高肺癌查的诊断准确性和模型解释性.

主要方法:

• 使用了338例肺癌病例的数据集,通过5倍交叉验证分为训练和测试集.
• 使用卷积神经网络 (CNN) 和放射学来分析CT扫描中的感兴趣区域 (ROI).
• 将融合特征向量集成到图形数据库中,并通过边缘生成网络来增强数据完成和GNN分类.

主要成果:

• 与传统的肺结节分类方法相比,提出的GNN模型取得了更好的结果.
• 关键性能指标包括精度 (66.26%),AUC (75.86%),F1分数 (64.00%) 和MCC (48.40%).
• 边缘生成网络的加入始终改善了所有性能方面.

结论:

• 图形神经网络 (GNN) 在基于CT的医疗图像分类中,与适当的数据构建相比,表现优于传统方法.
• 该模型通过结合临床和语义特征,提供了增强的解释性.
• 这种方法有助于改善人类与计算机的交互,用于肺癌诊断的临床决策.