通过与教学助理的知识蒸方法检测非小细胞肺癌
Mahir Afser Pavel1, Rafiul Islam1, Shoyeb Bin Babor1
1Electrical and Computer Engineering, North South University, Dhaka, Bangladesh.
PloS one
|November 6, 2024
概括
这项研究提高了非小细胞肺癌 (NSCLC) 的分类,使用一种新的三阶段知识蒸技术与深度学习模型. 这种方法提高了肺癌检测的准确性和效率,即使是在边缘设备上.
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:
- 非小细胞肺癌 (NSCLC) 占肺癌病例的85%,其转移率比小细胞肺癌慢.
- 准确和有效的NSCLC分类对于及时诊断和治疗计划至关重要.
研究的目的:
- 开发和评估一个知识蒸框架,以使用CT扫描图像改进NSCLC分类.
- 提高深度学习模型在肺癌检测中的性能和透明度.
主要方法:
- 使用教师,教学助理 (TA) 和学生深度学习模型 (CNN,VGG19,ResNet152v2,Swin,CCT,ViT) 的三阶段知识蒸技术.
- 利用成本敏感的学习和超参数调整 (alpha,温度) 实现最佳模型性能.
- 应用可解释的AI (Shapley值,分区解释器) 来实现模型透明度,并开发了一个用户友好的网络应用程序来进行分类.
主要成果:
- 在TA (ResNet152) 和学生 (CNN) 模型中,测试准确度分别为90.99%和94.53%,具有最佳的超参数 (alpha=0.7,温度=7).
- 在TA框架显著提高了学生模型的表现.
- 知识蒸技术减少了可训练的参数和训练时间,使其适用于内存受限的边缘设备.
结论:
- 拟议的知识蒸框架有效地提高了NSCLC分类的准确性和效率.
- 可解释的AI方法为深度学习模型的决策过程提供了透明度.
- 开发的系统为肺癌检测提供了一个实用和高效的解决方案,适用于边缘计算环境.
