通过混合MRMR-BiLSTM-CNN架构的精确肝纤维化检测,并具有组图平衡和优化

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 计算病理学计算病理学

背景情况:

• 早期发现肝纤维化对于及时干预至关重要.
• 像活检这样的传统诊断方法具有风险和高成本.
• 开发非侵入性,准确的诊断工具是一个重要的医疗需求.

研究的目的:

• 为肝纤维化开发一种新的计算机辅助诊断 (CAD) 模型.
• 通过混合AI方法提高肝纤维化诊断的准确性和效率.
• 为传统的诊断方法提供一种非侵入性的替代方案.

主要方法:

• 这是一个混合模型,结合了最小冗余性最大相关性 (MRMR) 功能选择,双向长期短期记忆 (BiLSTM) 和卷积神经网络 (CNN).
• 图像预处理,包括图表图平衡,以提高质量.
• 使用马群优化 (IHO) 算法进行超参数优化.
• 使用准确度,精度,灵敏度,特异性,F1分数和错误率进行性能评估.

主要成果:

• 拟议的MRMR-BiLSTM-CNN模型在识别肝纤维化图像方面实现了97.8%的高准确率.
• 该模型与DCNN,ANN-FLI,LungNet22和SDAE-GAN.等既定方法相比,显示出更高的性能.
• 整合MRMR特征选择减少了训练时间,IHO算法有效优化了超参数.

结论:

• 混合MRMR-BiLSTM-CNN模型为肝纤维化诊断提供了一个高度准确和非侵入性的方法.
• 这种人工智能驱动的方法显示了通过早期和可靠的检测来改善患者的治疗结果的巨大潜力.
• 该模型的有效性,即使是小数据集,强调其在临床环境中的稳定性和适用性.