优化Bi-LSTM网络以提高肺癌检测准确度
Su Diao1, Yajie Wan2, Danyi Huang3
1Department of Industrial & Systems Engineering, Auburn University, Auburn, Alabama, United States of America.
PloS one
|February 24, 2025
概括
这项研究比较了手工制作和深度学习方法来检测肺癌. 深度学习,特别是双向长期短期记忆 (Bi-LSTM) 网络,实现了早期肺癌诊断的卓越准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌是全球主要的健康问题,晚期诊断显著影响生存率.
- 使用医学图像特征提取的计算机辅助诊断 (CAD) 系统显示出希望,但在识别最佳特征方面面临挑战.
- 准确和早期发现肺癌对于改善患者的治疗结果至关重要.
研究的目的:
- 为了比较手工制作的图像特征的诊断性能与肺癌检测的深度学习方法.
- 为了评估灰色级别共发生矩阵 (GLCM) 与支持向量机 (SVM) 与双向长短期存储器 (Bi-LSTM) 网络相对应的功能的有效性.
- 确定增强肺癌诊断系统的最佳方法.
主要方法:
- 提取传统手工制作的特征,包括灰色水平共发生矩阵 (GLCM) 特征.
- 应用传统的机器学习算法,特别是具有各种内核的支持矢量机 (SVM).
- 优化和实施深度学习模型,双向长期短期记忆 (Bi-LSTM) 网络,用于肺癌检测.
主要成果:
- 手工制作的GLCM功能与SVM相结合,实现了高性能,精度为99.78%,曲线下的面积 (AUC) 为0.999.
- 双向长期短期记忆 (Bi-LSTM) 深度学习网络表现出卓越的性能,达到99.89%的准确性和1.0000.00的AUC.
- 深度学习模型在肺癌诊断准确性方面明显优于传统方法.
结论:
- 深度学习方法,特别是Bi-LSTM网络,与传统方法相比,为肺癌检测提供了更强大的能力.
- 将手工制作的功能与深度学习相结合,可以显著提高肺癌诊断系统的准确性和有效性的潜力.
- 提出的方法有助于推进早期肺癌检测和提高患者存活率.
