通过定制的深度架构,改进了基于排名的递归特征消除方法的基于卵巢癌检测模型
Namani Deepika Rani1, Mahesh Babu1
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Hyderabad, 500075, Telangana, India.
Computer methods and programs in biomedicine
|August 27, 2024
概括
一种新的卵巢癌检测模型,CCLSTM,显示出高精度和一致性. 这种深度学习方法显著改善了早期诊断,为这种致命的妇科癌症提供了更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 卵巢癌 (OC) 是妇科癌症死亡率的主要原因,通常在晚期被诊断出来.
- 在OC管理中的挑战包括快速转移和遗传倾向,需要精确的早期诊断.
- 及时和准确的诊断对于有效的治疗计划和患者支持至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确和一致的卵巢癌检测.
- 改进现有的卵巢癌早期诊断方法.
- 通过精确的诊断能力,增强治疗规划和患者的治疗结果.
主要方法:
- 一个四个阶段的方法:预处理 (改进的两步数据规范化),特征提取 (统计,,原始,相互信息),特征选择 (改进的基于排名的递归特征消除 - IR-RFE),并使用卷积递归神经网络 (CCLSTM) 模型进行检测.
- 从规范化数据中提取各种特征,以捕获复杂的模式.
- 使用IR-RFE进行最佳特征子集选择以提高模型性能.
主要成果:
- 拟议的CCLSTM模型实现了0.948.8的高灵敏度.
- 在灵敏度方面,CCLSTM的表现优于其他方法,包括ALO-LSTM + ALOCNN,Bi-GRU,LSTM,RNN,KNN,CNN和DCNN.
- 与现有策略相比,该模型在检测卵巢癌方面表现出卓越的准确性和一致性.
结论:
- 在CCLSTM模型中整合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 技术,可以获得高精度和一致的卵巢癌检测系统.
- 开发的CCLSTM技术与当前的卵巢癌诊断策略相比,是一个显著的进步.
- 这种增强的诊断能力有望改善患者管理和卵巢癌护理的结果.
