一个多阶段的融合深度学习框架,将本地模式与注意力驱动的上下文依赖性合并为癌症检测
Hatice Catal Reis1, Veysel Turk2
1Department of Geomatics Engineering, Gumushane University, Gumushane, 29000, Turkey.
Computers in biology and medicine
|March 7, 2025
概括
这项研究介绍了PADBSRNet,这是一种用于增强癌症诊断的深度学习模型,在检测脑瘤,肺癌和皮肤癌方面实现了高精度. 该模型有效地学习复杂的模式,提高诊断速度和可靠性.
科学领域:
- 人工智能在医学中的应用
- 对于医学成像的深度学习
- 瘤学 诊断 诊断 瘤学
背景情况:
- 早期癌症诊断至关重要,但由于专家短缺和复杂的疾病模式而受到挑战.
- 深度学习模型为更快,更准确的疾病检测提供了潜力.
- 现有的方法在提取复杂的医疗图像的全面特征方面存在局限性.
研究的目的:
- 提出新的深度学习模型来检测脑瘤,肺癌和皮肤癌.
- 为了评估PADBSRNet架构和PADBSRNet-视觉变压器 (ViT) 混合的有效性.
- 通过先进的人工智能提高癌症诊断的速度和准确性.
主要方法:
- 开发PADBSRNet,这是一个集结卷积层,注意力机制和循环网络的深度神经网络.
- 创建一个混合模型,将PADBSRNet与视觉转换器 (ViT) 功能相结合.
- 使用各种医疗数据集进行实验验证,包括脑瘤,肺癌和皮肤癌图像.
主要成果:
- PADBSRNet模型的准确性很高:大脑瘤的95.24%,肺癌的99.55%,皮肤癌的88.61%.
- 提出的模型有效地提取了局部-全球和上下文特征.
- 深度学习方法成功模拟了对准确分类至关重要的长期依赖关系.
结论:
- PADBSRNet模型及其混合变体显示出对准确和高效的癌症诊断的重大承诺.
- 深度学习模型可以有效地学习医学图像中的复杂模式,帮助临床决策.
- 这些人工智能驱动的方法为改善瘤学公共卫生结果提供了可行的解决方案.
