通过多模态光谱数据结合深度学习来快速诊断肺癌
Han Xu1, Ruichan Lv1
1State Key Laboratory of Electromechanical Integrated Manufacturing of High-performance Electronic Equipment, School of Electro-Mechanical Engineering, Xidian University, Xi'an, Shaanxi 710071, China.
概括
一个新的深度学习模型整合了多模态光谱数据,用于快速检测肺腺癌细胞. 这种方法提高了早期肺癌诊断,比传统方法提供了更高的准确性和速度.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 频谱学是一种光谱学.
背景情况:
- 肺癌诊断受到高成本和缓慢结果的挑战.
- 早期发现肺腺癌对于患者的治疗结果至关重要.
- 需要先进的诊断工具来提高肺癌检测率.
研究的目的:
- 开发基于深度学习的多模态光谱信息融合 (MSIF) 网络,用于肺腺癌细胞检测.
- 为了提高早期肺癌诊断的速度和准确性.
- 探索多模态光谱数据融合在癌症诊断中的应用.
主要方法:
- 从正常细胞和患者细胞收集的多模态光谱数据 (FTIR,UV-Vis,光).
- 采用1D CNN用于光谱文本处理和混合ResNet-Transformer模型用于特征提取.
- 引入了自适应深度智能卷积 (ADConv) 和交叉模式交互融合 (CMIF) 模块,以增强功能学习.
主要成果:
- 实现了高准确率:FTIR的95.83%,UV-Vis的97.92%,光谱的100%.
- 证明了多模式光谱数据对单一模式的优越性.
- 在测试数据集上验证了模型的稳定性和概括能力.
结论:
- 拟议的MSIF网络为早期肺癌诊断提供了一个强大的工具.
- 多模态光谱数据融合显著提高了诊断准确性和效率.
- 这项研究为癌症研究中光谱数据融合的新型应用铺平了道路.
