准确的结直肠癌检测使用随机链指数分布合注意力网络在病理图像上的注意力网络
E Bharath1, R Vimal Raja2, K Kalaivanan3
1Department of Artificial Intelligence and Data Science, CK College of Engineering and Technology, Cuddalore, Tamil Nadu, India. bharath.elan@gmail.com.
Abdominal radiology (New York)
|January 8, 2025
概括
这项研究引入了一种新的随机指数分布合注意力网络 (RHED-CANet),用于在病理图像中准确检测结直肠癌 (CRC),达到99.9%的准确性. 这种先进的方法显著提高了诊断速度和精度,提供了一个有前途的临床工具.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 结肠直肠癌 (CRC) 是一个重大的全球健康挑战,早期发现对于改善患者的治疗结果至关重要.
- 传统的CRC病理图像分析是劳动密集型,易受人为错误的影响,这凸显了对自动化解决方案的需求.
研究的目的:
- 开发和评估一种先进的深度学习方法,即随机指数分布合注意网络 (RHED-CANet),用于自动化CRC检测.
- 用病理图像提高结直肠癌诊断的准确性和效率.
主要方法:
- 使用TCGA-CRC-DX和CRC数据集进行培训和验证.
- 采用修改的平方根Sage-Husa自适应卡尔曼过器和尖驱动的变压器进行预处理和特征提取.
- 实现了一个EfficientNetV2L初始变压器,用于精确细分癌症区域.
- 应用RHED-CANet用于结直肠癌病理图像的最终分类.
主要成果:
- 实现了99.9%的诊断准确率和99.7%的精度.
- 与传统方法相比,显著减少了诊断时间.
- 该模型有效地减少了假阳性,提高了整体诊断可靠性.
结论:
- 拟议的RHED-CANet方法在从病理图像中检测结直肠癌方面表现出色.
- 潜在的局限性包括数据集过度匹配,计算复杂性和潜在的偏差影响罕见亚型的训练效率.
- 尽管有局限性,但这种方法在结肠直肠癌诊断中的临床应用中是一个有前途的进步.
