在医学图像中基于深度学习的结直肠癌检测:对数据集,方法和未来方向的全面分析

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:

• 结肠直肠癌 (CRC) 的检测严重依赖于医学成像.
• 人工智能 (AI) 的进步为改善诊断准确性提供了新的途径.
• 从2019年到2025年的时间段显示了用于CRC检测的AI应用的显著演变.

研究的目的:

• 通过医学成像全面审查和分析人工智能在结直肠癌检测中的当前状态和演变.
• 量化评估该领域的出版物和数据集.
• 确定技术限制和未来的研究方向.

主要方法:

• 对110个出版物和9个医学图像数据集进行了定量分析.
• 卷积神经网络 (CNN) 架构 (ResNet,VGG,变压器) 的系统分类和评估,用于分类,对象检测和细分.
• 分析超参数优化 (遗传算法,粒子群优化) 和可解释的AI (Grad-CAM,SHAP) 方法.

主要成果:

• 评估各种人工智能模型,包括ResNet,VGG和基于变压器的方法.
• 确定用于CRC检测的关键优化技术和可解释的AI方法.
• 趋势分析揭示了技术限制,如数据集稀缺性和标准化挑战.

结论:

• 人工智能,特别是深度学习模型,在从医学图像中增强结直肠癌检测方面显示出显著的希望.
• 解决数据可用性和标准化的局限性对于临床实施至关重要.
• 未来的研究应该探索多模式和联合学习,以获得更强大的AI驱动的诊断系统.