在肺癌和结肠癌中识别异常,使用基于计算机视觉的swin变压器,用组合模型对组织病理图像进行识别
Abdulkream A Alsulami1, Aishah Albarakati2, Abdullah Al-Malaise Al-Ghamdi3,4
1Department of Information Technology, Faculty of Computing and Information Technology at Alkamil, University of Jeddah, Jeddah, Saudi Arabia.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
这项研究引入了一种新的AI技术,用于从组织病理图像中诊断肺癌和结肠癌 (LCC). 肺癌和结肠癌使用Swin变压器与组合模型对组织病理图像 (LCCST-EMHI) 方法在早期LCC检测中显示出有希望的准确性.
科学领域:
- 医学成像医学成像
- 在瘤学中使用人工智能
- 计算病理学计算病理学
背景情况:
- 肺癌和结肠癌 (LCC) 对健康构成重大风险,需要准确及时诊断.
- 常规的LCC诊断方法在效率和准确性方面存在局限性,这影响了早期检测和治疗.
- 人工智能 (AI),特别是机器学习 (ML) 和深度学习 (DL),为分析病理图像提供了先进的功能.
研究的目的:
- 开发和评估一个新的深度学习模型,LCCST-EMHI,用于准确地诊断和分类LCC使用组织病理图像.
- 通过先进的图像处理和特征提取技术,提高LCC诊断的精度.
- 为了利用一个由一个元启发算法优化的DL模型组合来进行强大的LCC检测.
主要方法:
- 提出了一种新的技术,肺癌和结肠癌使用Swin变压器与组合模型在组织病理图像 (LCCST-EMHI) 上.
- 通过双边过 (BF) 预处理了组织病理图像,以减少噪声.
- 使用Swin变压器 (ST) 模型进行特征提取.
- 使用了一种组合分类器,将双向长短期记忆与多头注意力 (BiLSTM-MHA),双深Q网络 (DDQN) 和稀疏堆叠自编码器 (SSAE) 结合起来.
- 对DL模型的超参数优化是使用海优化算法 (WaOA) 实现的.
主要成果:
- LCCST-EMHI方法在基准数据集上显示出有前途的诊断和分类性能.
- 广泛的模拟分析证实了拟议方法的有效性.
- LCCST-EMHI方法在LCC检测和分类方面表现优于其他近期方法.
结论:
- 该LCCST-EMHI方法提供了一个高效的基于深度学习的解决方案,用于从组织病理图像中诊断LCC.
- 集成Swin变压器和DL分类器组合显著提高了诊断准确度.
- 这种人工智能驱动的方法有可能促进肺癌和结肠癌的早期和精确检测.
