早期宫癌诊断使用SWIN转换器和卷积神经网络
Foziya Ahmed Mohammed1,2,3, Kula Kekeba Tune1,2, Juhar Ahmed Mohammed4
1Department of Software Engineering, College of Engineering, Addis Ababa Science and Technology University, Addis Ababa 16417, Ethiopia.
Diagnostics (Basel, Switzerland)
|October 25, 2024
概括
本研究介绍了一种混合SWIN变压器和卷积神经网络 (CNN) 模型,用于早期检测宫癌. 人工智能模型有效地分类癌前结肠镜图像,有助于及时诊断和治疗.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 数字病理学数字病理学
背景情况:
- 在癌前阶段早期诊断宫癌对于有效治疗和改善患者的治疗结果至关重要.
- 准确的分类colposcopy图像对于识别癌前病变至关重要.
- 对于大规模查,传统方法可能面临速度和准确性的限制.
研究的目的:
- 探索混合SWIN变压器和卷积神经网络 (CNN) 模型的有效性,结合转移学习来分类癌前结肠镜图像.
- 开发一种自动化系统,以更好地在早期阶段检测宫癌.
- 在独立的测试数据集上评估模型的性能.
主要方法:
- 使用898张结肠镜图像的数据集,分类为正常,癌前或癌症.
- 开发了一种混合模型,集成CNN用于本地特征提取和SWIN转换器用于全球上下文建模.
- 员工转移学习和超参数调整以优化分类性能.
主要成果:
- 混合模型在交叉验证数据上实现了94%的AUC,88%的F1得分和87%的准确性.
- 独立测试组显示AUC为80%和82%,F1得分为75%和78%,两者的准确率为75%.
- 证明了在区分癌前和正常图像的有效性,尽管数据集的局限性.
结论:
- 混合SWIN变压器-CNN模型显示出早期检测子宫癌的巨大潜力.
- 这种人工智能驱动的方法可以提高镜图像分类的准确性和自动化.
- 这些发现支持使用先进的深度学习技术来改善宫癌查和诊断.
