ViT-PSO-SVM:基于将视觉变压器与粒子群优化和支持向量机器集成的宫癌预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 宫癌 (CCa) 是全球女性癌症死亡的主要原因,需要改进早期检测方法.
• 目前的诊断标准,如活检,是侵入性的;高精度的非侵入性成像是非常理想的.
• 人工智能 (AI),特别是视觉转换器 (ViT),显示出医学图像分析的潜力,与传统方法相竞争.

研究的目的:

• 评估视觉变压器 (ViT) 的有效性,以从细胞图像中预测宫癌.
• 开发和评估一种新的混合AI模型,ViT-PSO-SVM,用于增强宫癌诊断.
• 展示AI作为可靠,非侵入性工具的潜力,以改善宫癌检测和患者的治疗结果.

主要方法:

• 使用视觉变压器 (ViT) 从宫细胞图像数据集 (SipakMed和Herlev) 提取特征.
• 使用粒子群优化 (PSO) 优化提取的特征,以减少复杂性和改进表示.
• 使用与ViT-PSO框架集成的支持矢量机 (SVM) 模型对宫癌的分类.
• 通过使用准确度和F1分数指标,对两,三和五类分类场景中的模型性能进行评估.
• 应用GradCAM用于可解释AI (XAI) 来可视化对预测至关重要的图像区域.

主要成果:

• 拟议的ViT-PSO-SVM方法在SipakMed数据集 (两类) 上实现了高精度 (99.112%) 和F1得分 (99.113%).
• 该模型在Herlev数据集上表现出强的表现,达到97.778%的准确性和97.805%的F1得分 (两类).
• 在宫癌分类任务中,ViT-PSO-SVM模型的表现优于现有的ViT,CNN和预训练模型.
• GradCAM可视化提供了对模型决策过程的见解,证实了它专注于相关的图像特征.

结论:

• 开发的ViT-PSO-SVM方法是一个可行的和有效的AI工具,用于准确检测宫癌.
• 这种人工智能驱动的方法为传统诊断程序提供了一个有希望的非侵入性替代方案.
• 该模型的高性能和可解释性表明它有可能显著改善宫癌患者的全球医疗保健结果.