基于组合的多类肺癌分类,使用混合CNN-SVD特征提取和选择方法
Md Sabbir Hossain1, Niloy Basak2, Md Aslam Mollah1
1Department of Electronics & Telecommunication Engineering, Rajshahi University of Engineering & Technology, Rajshahi, Bangladesh.
PloS one
|March 19, 2025
概括
这项研究引入了一种先进的人工智能方法,用于使用CT扫描进行早期肺癌检测. 混合CNN-SVD-Ensemble模型实现了高精度,通过精确的分类来改善患者的治疗结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和诊断技术的发展
- 计算机科学和机器学习
背景情况:
- 肺癌 (LC) 是一个主要的全球健康问题,需要改进早期检测方法.
- 目前的诊断方法需要提高在识别早期肺癌的精度和效率.
- 人工智能 (AI) 为分析复杂的医学成像数据提供了有希望的途径.
研究的目的:
- 开发和验证一种新的人工智能驱动的方法,用于精确的早期肺癌检测和CT扫描的分类.
- 通过混合深度学习方法提高肺癌诊断的准确性和可靠性.
- 使用可解释AI (XAI) 技术,提高模型透明度和临床适用性.
主要方法:
- 一种混合的卷积神经网络-单一值分解 (CNN-SVD) 模型被开发用于特征提取和维度减少.
- 用对比度有限的自适应基因图平衡 (CLAHE) 来进行图像增强,改善特征可见性.
- 投票组合方法结合机器学习算法和梯度加权类激活映射 (Grad-CAM) 进行分类和可解释性.
主要成果:
- 该CNN-SVD-Ensemble模型实现了卓越的性能,整体准确率为99.49%,AUC为99.73%.
- 二元分类任务在所有性能指标 (100%) 中都获得了完美的分数,证明了高诊断能力.
- 可解释人工智能 (Grad-CAM) 提供了对模型决策过程的透明见解,突出了CT扫描中的关键区域.
结论:
- 拟议的基于人工智能的方法显著提升了早期肺癌检测,提供了卓越的准确性和可靠性.
- 混合CNN-SVD-Ensemble方法与XAI集成为医学成像诊断性能设定了一个新的基准.
- 这项研究为临床应用提供了强大的工具,为未来癌症诊断创新铺平了道路.
