PortNet:实现轻量级架构和高精度的肺癌细胞分类
Kaikai Zhao1, Youjiao Si2, Liangchao Sun1
1Department of Radiation Oncology, Shandong Cancer Hospital and Institute, Shandong First Medical University and Shandong Academy of Medical Sciences, Jinan, Shandong, China.
Heliyon
|February 11, 2025
概括
一个新的深度学习模型,PortNet,提供了准确且具有成本效益的肺癌细胞诊断. 这种轻量级模型显著降低了便携式设备和临床环境中高效使用的参数.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 全球肺癌的发病率和死亡率很高.
- 准确和及时的细胞类型诊断对于肺癌治疗决策至关重要.
- 目前的诊断方法需要提高效率,准确性和成本效益.
研究的目的:
- 开发一种新的深度学习模型,用于肺癌病理类型的辅助诊断.
- 创建一个高效,准确,和具有成本效益的诊断工具.
- 允许部署在便携式设备上,以实现更广泛的可访问性.
主要方法:
- 推出PortNet,一个轻量级的深度学习模型.
- 在深度可分离的卷积架构中使用1x1卷积块.
- 集成的Squeeze-and-Excitation自我注意模块用于增强的特征表示.
主要成果:
- 波特网有2,621,827个参数,比主流的CNN模型少了20%以上.
- 在外部测试中实现了99.89%的准确性和99.27%的AUC.
- 在交叉验证中显示出高稳定性,平均准确率为99.51%,F1得分为99.50%.
结论:
- PortNet显著减少了模型大小,同时保持了肺癌细胞分类的高精度.
- 该模型的轻量级性质和性能显示了集成到医院系统中的潜力.
- PortNet提供了一个有前途的辅助诊断工具,用于肺癌的病理分类.
