神经网络分类算法基于自我注意力机制和MASLD超声图像的集体学习
Lijuan Guo1, Liling Shi1, Wenjuan Wang2
1Children's Hospital of Shanxi & Women Health Center of Shanxi, Taiyuan, China.
Ultrasound in medicine & biology
|June 23, 2024
概括
一种新的混合人工智能模型使用超声波图像准确诊断代谢功能障碍相关的脂肪性肝病 (MASLD). 这种先进的计算机辅助诊断系统提高了检测准确度,帮助临床医生识别肝脏疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 超声波是诊断代谢功能障碍相关脂肪性肝病 (MASLD) 的首选非侵入性方法.
- 计算机辅助诊断 (CAD) 系统可以提高MASLD检测和分类的准确性和一致性.
- 准确的MASLD诊断对于及时干预和管理至关重要.
研究的目的:
- 开发和评估一种新的混合人工智能模型,以使用超声波图像改进MASLD诊断.
- 与传统方法相比,提高MASLD分类的准确性和稳定性.
- 整合先进的深度学习和组合技术,用于多类脂肪肝检测.
主要方法:
- 开发了一种混合模型,将预先训练的VGG16网络与自我注意机制相结合.
- 一个堆叠集团学习模型融合了后勤回归,随机森林和支持矢量机器分类器.
- 该模型经过了超声波图像的训练和验证,用于分类四种脂肪肝等级:正常,轻度,中度和严重.
主要成果:
- 混合模型在MASLD分类中实现了91.34%的整体准确性.
- 与VGG16基本模型相比,自我注意机制提高了3.02%的准确性.
- 堆叠组合进一步提高了准确性,超过了个别分类器 (LR: 89.86%,SVM: 90.34%,RF: 90.73%).
结论:
- 拟议的混合人工智能模型通过超声波对MASLD诊断表现出卓越的性能和稳定性.
- 这种先进的CAD系统有效地提高了诊断效率和检测和分类脂肪肝疾病的准确性.
- 注意力机制和集体学习的整合为肝脏疾病管理中的临床应用提供了有前途的方法.
