深度学习整体方法与可解释的AI用于肺癌和结肠癌的分类,使用先进的超参数调
K Vanitha1, Mahesh T R2, S Sathea Sree3
1Department of Computer Science and Engineering, Faculty of Engineering, Karpagam Academy of Higher Education (Deemed to Be University), Coimbatore, India.
BMC medical informatics and decision making
|August 7, 2024
概括
结合Xception和MobileNet架构的新型深度学习模型准确地从组织病理图像中分类肺癌和结肠癌,达到99.44%的准确性. 这一进步改善了诊断成像,并有助于个性化治疗规划.
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:
- 肺癌和结肠癌是全球癌症死亡的主要原因.
- 通过医学成像来准确地分类组织病理学是诊断和治疗的关键.
- 现有的诊断方法面临着诸如过拟合和不良通用性等挑战.
研究的目的:
- 开发一种新的深度学习框架,用于增强肺癌和结肠癌的分类.
- 改进特征提取,模型强度,减少癌症诊断中的过拟合.
- 整合用于临床验证和个性化治疗的可解释性方法.
主要方法:
- 通过结合Xception和MobileNet架构,创建了一个混合深度学习模型.
- 整体模型是通过对基因病理图像的综合数据集进行训练的.
- 模型性能通过使用平衡测试集进行验证,并将梯度加权类激活映射 (Grad-CAM) 纳入解释性.
主要成果:
- 混合型号实现了99.44%的杰出分类准确度.
- 该模型在特定的癌症和非癌症组织识别方面表现出完美的精度和回忆力.
- 格拉德-CAM可视化为模型的诊断推理提供了可解释的见解.
结论:
- 开发的深度学习框架显著提高了从医学图像中分类肺癌和结肠癌的准确性和稳定性.
- 该模型通过Grad-CAM的可解释性增强了临床信任,并促进了个性化的治疗策略.
- 这项研究为应用类似的先进AI技术来诊断其他癌症类型铺平了道路.
关键词:
自动化癌症分类系统临床AI应用程序临床AI应用程序检测结肠癌的检测方法增强的深度学习.组合学习模型 组合学习模型梯度加权的类激活映射 (Grad-CAM) 的使用.组织病理学 组织病理学肺癌的诊断 肺癌的诊断 肺癌的诊断医疗图像分析 医学图像分析在Xception和MobileNet集成的过程中,更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K