利用集体卷积神经网络和元启发策略来进行高级脏疾病查和分类
Abeer Saber1, Esraa Hassan2, Samar Elbedwehy3
1Information Technology Department, Faculty of Computers and Artificial Intelligence, Damietta University, Damietta, Egypt. abeer_saber@du.edu.eg.
Scientific reports
|April 11, 2025
概括
使用深度学习 (DL) 和转移学习 (TL) 的人工智能 (AI) 系统从CT扫描中准确识别结石,囊和瘤. 这种人工智能工具有助于早期诊断病,解决医疗保健方面的挑战.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 腎病學 診斷 診斷 腎病學
背景情况:
- 衰竭率的上升和全球科医生短缺需要创新的诊断解决方案.
- 人工智能 (AI),深度学习 (DL) 和机器学习方面的进步为医疗保健提供了新的途径.
- 人工智能促进了症状和模式识别的数据分析,使远程患者护理成为可能.
研究的目的:
- 开发基于人工智能的系统,用于自动识别和诊断主要病.
- 专注于使用计算机断层扫描 (CT) 图像对结石,囊和瘤进行分类.
- 为了提高诊断的准确性和在科的效率.
主要方法:
- 开发了一种新的深度学习 (DL) 模型,采用转移学习 (TL).
- 该模型整合了MobileNet-V2,ResNet50和EfficientNet-B0网络的功能,并通过元启发算法和双向长期短期存储器 (Bi-LSTM) 进行了增强.
- 在12446张CT图像上使用修改的灰狼优化 (GWO) 方法优化了DL模型的超参数.
主要成果:
- 拟议的人工智能系统在关键指标上实现了高性能.
- 实现了99.85%的准确性,99.8%的灵敏度,99.3%的特异性和98.1%的精度.
- 显示ROC曲线 (AUC) 下的面积为1.0,表明出色的诊断能力.
结论:
- 开发的AI系统有效地从CT扫描中识别主要脏疾病 (结石,囊,瘤).
- DL,TL和优化技术的结合显著改善了诊断性能.
- 这种人工智能工具具有早期发现和治疗脏疾病的潜力,支持脏病学家.
