深度结构化学习与视觉智能用于口腔癌病变细分和分类,使用医学成像
Ahmad A Alzahrani1, Jamal Alsamri2, Mashael Maashi3
1Department of Computer Science and Artificial Intelligence, College of Computing, Umm-AlQura University, Mecca, Saudi Arabia.
Scientific reports
|February 24, 2025
概括
一个新的机器学习模型,DSLVI-OCLSC,使用医学图像显著改善了口腔癌 (OC) 的早期检测. 这种方法增强了分类和细分,旨在降低死亡率并改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 口腔癌 (OC) 是一个重大的全球卫生挑战,特别是在低收入至中等收入国家,由于诊断迟到和治疗不足.
- 早期分析对于有效的治疗,预测和生存至关重要,但尽管分子诊断取得了进展,但仍然是一个挑战.
- 目前用于OC患者的精准医学方法在及时和准确的诊断方面存在局限性.
研究的目的:
- 为口腔癌损伤细分和分类 (DSLVI-OCLSC) 模型引入一种新的深度结构化学习与视觉智能.
- 通过医学成像来提高口腔癌的分类和识别.
- 提高早期检测率,降低癌症特定死亡率.
主要方法:
- 在DSLVI-OCLSC模型中,使用wiener过 (WF) 来减少医疗图像中的噪声.
- 使用ShuffleNetV2来提取高层次的深度特征,同时使用带有多头注意力机制 (MA-CNN-BiLSTM) 的卷积双向长期短期记忆网络来处理识别.
- Unet3+用于对异常区域进行细分,而正弦共弦算法 (SCA) 优化了超参数.
主要成果:
- DSLVI-OCLSC模型在分类和细分口腔癌病变方面表现出卓越的性能.
- 在OC图像数据集上的实验模拟证实了拟议方法的增强功能.
- 该模型实现了98.47%的高精度,超过了现有的方法.
结论:
- DSLVI-OCLSC模型在早期检测和诊断口腔癌方面提供了有前途的进步.
- 深度学习技术的整合,包括注意力机制和高级细分,显著提高了诊断准确度.
- 这种人工智能驱动的方法有可能减少口腔癌的死亡率并改善患者的预后.
