对抗性培训协作混合卷积变压器网络,用于在外周血液中自动识别反应性淋巴细胞
Liye Mei1,2, Haoran Peng1, Ping Luo3
1School of Computer Science, Hubei University of Technology, Wuhan 430068, China.
Biomedical optics express
|September 19, 2024
概括
这项研究引入了一种先进的AI模型,用于识别反应性淋巴细胞,这对于诊断病毒感染等疾病至关重要. 这种新方法显著提高了准确性和效率,而不是手工方法.
科学领域:
- 血液学 血液学 血液学
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
背景情况:
- 反应性淋巴细胞是各种疾病的关键指标,包括病毒感染.
- 专家手动识别反应性淋巴细胞是耗时且容易出现错误的.
- 现有的深度学习模型 (CNNs) 由于受体场小而存在局限性.
研究的目的:
- 开发一种自动化,高效和准确的方法来识别反应性淋巴细胞.
- 通过增强特征提取和概括,克服以前模型的局限性.
- 为了提高反应性淋巴细胞所表明的疾病的诊断能力.
主要方法:
- 开发了一个新的混合模型,将卷积神经网络 (CNN) 与变压器结合起来.
- 模型架构的设计是为了扩大接收场,以实现高效的全球特征提取.
- 虚拟对抗训练 (VAT) 用于增强没有参数修改的模型概括性.
主要成果:
- 拟议的模型在测试数据集上实现了93.66%的整体准确性.
- 识别反应性淋巴细胞的特定精度达到88.03%.
- 增强的接收场和增值税有助于提高性能.
结论:
- 开发的CNN-Transformer模型在自动识别反应性淋巴细胞方面取得了重大进展.
- 这种人工智能驱动的方法有望提高临床病理学的诊断效率和准确性.
- 进一步开发可能会导致医疗诊断工作流程的更广泛采用.
