DARNet:深度注意模块和剩余区块基于肺癌和结肠癌诊断网络
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
研究人员开发了DARNet,这是一种使用残余块和注意模块的深度学习模型,用于准确地分类肺癌和结肠癌. 贝叶斯优化改进了其概括性,在基准数据集上实现了98.86%的中位精度.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 准确的肺癌和结肠癌分类对于及时治疗和改善患者结果至关重要.
- 传统的分类方法是劳动密集型的,需要专门的专业知识.
- 深度学习模型具有潜力,但面临着泛化和过拟合等挑战.
研究的目的:
- 提出一个高效的深度学习网络,DARNet,用于肺癌和结肠癌分类.
- 解决深度学习模型中的挑战,包括概括,过拟合和超参数调整.
- 增强特征提取和学习能力,以提高癌症分类准确度.
主要方法:
- 开发了DARNet,结合了用于增强学习的剩余块 (RB) 和用于特征提取的注意力模块 (AM).
- 使用贝叶斯优化 (BO) 进行超参数调整,以改善模型通用化.
- 评估了DARNet对基准肺癌和结肠癌数据集的评估.
主要成果:
- 与肺癌和结肠癌数据集的现有模型相比,DARNet表现出卓越的性能.
- 拟议的模型实现了高的中位精度98.86%.
- DARNet的差异较小,这表明分类性能强大且一致.
结论:
- 拟议的DARNet有效地以高精度和高效率对肺癌和结肠癌进行分类.
- 整合剩余块,注意力模块和贝叶斯优化可以提高深度学习模型的性能.
- 在临床环境中,DARNet为自动化癌症分类提供了一个有希望的进步.
