混合组合深度学习模型,用于在临床应用中推进乳腺癌检测和分类
Radwan Qasrawi1,2, Omar Daraghmeh3, Ibrahem Qdaih3
1Department of Computer Science, Al-Quds University, Palestine.
Heliyon
|October 14, 2024
概括
一种新的混合人工智能模型通过使用先进的图像处理和深度学习在乳房影像上显著改善了早期乳腺癌检测. 这种工具提高了良性和恶性病变的诊断准确度,有助于及时治疗.
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:
- 乳腺癌是全球领先的健康威胁,每年影响数百万女性.
- 早期检测对于改善患者的治疗结果和生存率至关重要.
- 目前的诊断方法可以通过先进的计算技术来增强.
研究的目的:
- 引入和评估一种新的混合模型,以提高乳腺癌病变的检测和分类.
- 通过图像预处理和深度学习,提高乳房影像分析的准确性和效率.
- 为了验证拟议的混合模型的临床实用性.
主要方法:
- 一个混合模型,结合图像预处理 (例如,对比度有限的自适应直方体等级,高斯模糊) 与深度学习算法 (集成深度随机向量功能链接神经网络,YOLOv5,MedSAM).
- 模型训练并测试了20,000张乳房图片的数据集.
- 在800名患者身上进行了临床验证.
主要成果:
- 混合型号的整体精度为99.7%,处理时间为0.75秒.
- 临床验证证明了高水平:良性病例的准确率为97.2%,恶性病例的准确率为98.6%.
- 对良性和恶性乳腺癌病变的诊断准确度和处理速度显著改善.
结论:
- 开发的混合模型显著提高了乳腺癌检测和分类从乳房影像的准确性和效率.
- 这种由人工智能驱动的工具对早期和可靠的诊断有很大的希望,支持临床决策.
- 这些发现强调了将先进的图像处理和深度学习整合到改善乳腺癌管理的潜力.
