优化MobileNetV2以提高基于动态优化器的胃癌早期检测的准确性
Guoping Zhou1, Qiyu He2, Xiaoli Liu3
1Department of General Surgery, Dongtai Hospital of Traditional Chinese Medicine, Dongtai, 224221, Jiangsu, China.
Heliyon
|September 9, 2024
概括
本研究介绍了一种AI框架,用于使用MobileNetV2优化动态客优化算法 (DPOA) 的自动化胃癌诊断. 该方法在从内镜图像中检测胃癌时达到很高的准确性.
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:
- 胃癌的诊断严重依赖于内镜成像.
- 准确和及时的诊断对于患者的治疗结果至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估人工智能驱动的框架,用于自动化胃癌诊断.
- 评估通过动态优化算法 (DPOA) 优化定制的MobileNetV2模型的性能.
- 将拟议模型的有效性与已建立的深度学习架构进行比较.
主要方法:
- 使用一个深度学习模型,MobileNetV2,通过动态优化算法 (DPOA) 进行定制和优化.
- 在内镜胃图像数据集上训练和测试模型,数据分为80%的训练和20%的测试集.
- 使用包括准确性,精度,特异性,灵敏性,马修斯相关系数 (MCC) 和F1分数在内的指标来评估性能.
主要成果:
- 移动网络V2/DPOA模型实现了高诊断性能,准确率为97.73%,精度为97.88%,特异性为97.72%,灵敏度为96.35%,MCC为96.58%,F1分数为98.41%.
- 拟议的模型在大多数定量指标中表现优于其他几种知名深度学习模型.
- 展示了人工智能在准确高效的胃癌检测方面的潜力.
结论:
- 使用MobileNetV2 / DPOA的人工智能框架显示,自动化胃癌诊断从内镜图像显著有前途.
- 建议使用更大,多样化的数据集和临床验证进行进一步的研究.
- 这种方法可以提高诊断速度和准确性,改善患者护理和医疗资源分配.
