通过集体深度学习模型利用组织病理成像来早期检测肺癌和结肠癌
Moneerah Alotaibi1, Amal Alshardan2, Mashael Maashi3
1Department of Computer Science, College of Science and Humanities Dawadmi, Shaqra University, Shaqra, Saudi Arabia.
Scientific reports
|September 3, 2024
概括
这项研究介绍了通过集体深度学习 (HIELCC-EDL) 模型早期检测肺癌和结肠癌的胰腺病理成像. 该HIELCC-EDL模型在通过组织病理学图像检测肺癌和结肠癌时达到99.60%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 癌症,特别是肺癌和结肠癌,由于其异质性和转移潜力,构成了全球重大健康挑战.
- 早期和准确的诊断对于改善患者生存率和治疗疗效至关重要.
- 传统的癌症检测方法可能耗时,可能缺乏及时干预所需的精度.
研究的目的:
- 开发一种高效准确的深度学习模型,用于早期检测肺癌和结肠癌 (LCC),使用组织病理图像.
- 通过集体深度学习 (HIELCC-EDL) 模型提出用于肺癌和结肠癌早期检测的组织病理成像,作为现有癌症识别方法的替代方案.
- 利用机器学习和深度学习加速癌症诊断,使患者数据的分析更快.
主要方法:
- 在HIELCC-EDL模型中,用于LCC识别的基因病理图像.
- 图像预处理涉及使用维纳过器 (WF) 消除噪声.
- 功能提取是使用道注意力剩余网络 (CA-ResNet50) 进行的,超参数通过金枪鱼群优化 (TSO) 进行优化.
- 合体学习结合了极端学习机器 (ELM),竞争神经网络 (CNN) 和长短期记忆 (LSTM) 进行最终的LCC检测.
主要成果:
- 该HIELCC-EDL模型在检测肺癌和结肠癌方面表现出99.60%的高精度.
- 在基准数据集上的实验验证证证了该模型与最近方法相比的优异性能.
- 该模型有效地从组织病理图像中学习复杂的特征模式,以精确识别癌症.
结论:
- HIELCC-EDL模型为肺癌和结肠癌的早期检测提供了一种有希望和高度准确的方法.
- 深度学习技术,集合方法和优化算法的集成增强了诊断能力.
- 这种人工智能驱动的方法有可能显著提高癌症诊断的速度和准确性,帮助临床决策.
