使用注意力集成的DeepCNN和CT图像中的放射性特征进行增强的肺癌亚型分类:专注于特征可重现性
Muna Alsallal1, Hanan Hassan Ahmed2, Radhwan Abdul Kareem3
1Electronics and Communication Department, College of Engineering, Al-Muthanna University, Education Zone, Samawah, AL-Muthanna, Iraq.
Discover oncology
|March 17, 2025
概括
这项研究开发了一种混合人工智能框架,将放射性特征和深度学习与注意力机制相结合,用于使用CT图像准确地分类肺癌亚型,达到92.47%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的肺癌亚型分类对于有效的治疗计划至关重要.
- 传统的方法经常与肺癌成像数据的异质性作斗争.
- 深度学习和放射学为改善诊断准确性提供了有希望的途径.
研究的目的:
- 评估一个融合放射性特征,深度学习 (DeepCNN) 和注意力机制的混合框架,用于肺癌亚型分类.
- 为了提高从CT图像分类多种肺癌亚型的准确性.
- 评估注意力机制对诊断相关瘤区域的关注的贡献.
主要方法:
- 利用了2725个肺癌CT图像的数据集,跨越五个亚型.
- 提取了放射性特征 (FOS,形状,纹理) 并使用了DeepCNN与注意力机制.
- 应用特征选择 (NMF,RFE) 和机器学习模型 (XGBoost,堆叠) 进行分类.
- 使用ICC分析验证的模型可重现性.
主要成果:
- 混合DeepCNN模型与注意力机制实现了92.47%的测试准确度,93.99%的AUC和92.11%的灵敏度.
- 使用非负矩阵因子化 (NMF) 的XGBoost表现出卓越的性能.
- 整合放射性和深度特征进一步提高了分类准确性.
- 注意力机制通过专注于关键瘤区域来提高性能.
结论:
- 结合放射性特征和深度学习与注意力机制的混合框架为肺癌亚型分类提供了强大而准确的方法.
- 这种综合方法具有显著的潜力,可以提高临床实践中的诊断准确性.
- 注意力机制对于优化医学图像分析中的深度学习模型至关重要.
