用于宫癌图像分类的高级特征提取:集成神经特征提取和AutoInt模型
Muhammad Amjad Raza1,2, Hafeez Ur Rehman Siddiqui1, Adil Ali Saleem1
1Institute of Computer Science, Khwaja Fareed University of Engineering and Information Technology, Abu Dhabi Road, Rahim Yar Khan 64200, Pakistan.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
这项研究引入了用于宫癌诊断的深度学习框架,通过KNN.实现99.96%的准确性. 这种人工智能方法增强了早期检测,特别是在资源有限的环境中.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 宫癌是全球主要的健康问题,导致高死亡率,特别是在服务不足的地区.
- 准确和早期诊断对于有效的治疗和改善患者结果至关重要.
- 现有的诊断方法在资源有限的环境中可能面临局限性.
研究的目的:
- 开发和评估用于宫癌诊断的先进深度学习框架.
- 研究一种新型分类方法的有效性,该方法整合了特征提取和交互学习.
- 评估各种机器学习分类器用于宫癌图像分类的性能.
主要方法:
- 利用公开可用的宫癌图像数据集.
- 开发了一种新型分类框架,使用VGG16的神经特征提取器 (NFE) 和AutoInt模型.
- 应用机器学习分类器包括KNN,LGBM和额外树来进行分类.
- 评估不同模型的计算复杂性和预测时间.
主要成果:
- 拟议的深度学习框架实现了高诊断准确度.
- K-Nearest Neighbors (KNN) 分类器的准确率最高,为99.96%,其次是LGBM,为99.92%.
- 像LDA这样的简单模型显示出更快的预测时间,而KNN和LGBM则提供了更高的准确性.
结论:
- 深度学习框架显示了提高宫癌分类准确性的巨大潜力.
- 开发的方法提供了一个有前途的工具,用于早期检测宫癌.
- 这种方法在资源有限的环境中对提高诊断能力可能特别有影响.
