基于混合CNN与LSTM模型的乳腺癌分类
Mourad Kaddes1, Yasser M Ayid2, Ahmed M Elshewey3
1Department of Information Systems, College of Computing & Information Technology at Khulais, University of Jeddah, Jeddah, Saudi Arabia.
Scientific reports
|February 5, 2025
概括
这项研究引入了一种混合深度学习模型 (CNN-LSTM),用于更快,更准确地检测乳腺癌. 该模型显著提高了分类性能,帮助早期诊断和治疗.
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 (BC) 构成了全球卫生挑战,因早期检测和知识传播的局限性而加剧.
- 医学图像分析和计算机辅助诊断,特别是使用深度学习 (DL),对于提高癌症检测和分类准确性至关重要.
- 准确和快速的乳腺癌诊断对于有效的治疗计划和改善患者结果至关重要.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于二进制乳腺癌分类.
- 通过结合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构,提高乳腺癌检测的准确性和弹性.
- 将拟议的混合模型的性能与乳腺癌分类的既定DL模型进行比较.
主要方法:
- 开发了一种混合深度学习模型,将CNN集成用于特征提取和LSTM用于顺序分析.
- 该模型在Kaggle.com的两个公开可用的乳腺癌数据集上进行了训练和验证.
- 使用包括精度,灵敏度,特异性,F-score和曲线下的面积 (AUC) 在内的指标来评估性能,并与CNN,LSTM,GRUs,VGG-16和RESNET-50进行比较.
主要成果:
- 拟议的CNN-LSTM混合模型在两个数据集上实现了高分类准确率99.17%和99.90%.
- 该模型在与单个DL模型 (CNN,LSTM,GRUs) 和既定架构 (VGG-16,RESNET-50) 相比,表现出更高的性能.
- 关键性能指标证实了该模型在准确分类乳腺癌方面的有效性.
结论:
- 混合CNN-LSTM模型在自动乳腺癌检测和分类方面取得了重大进展.
- 这种方法提高了诊断的准确性和效率,支持临床医生在早期癌症识别.
- 这些发现突显了集成深度学习架构在改善乳腺癌查和管理方面的潜力.
