乳腺癌的自动分类使用基于ResNet CNN模型的模糊评分
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India.
Scientific reports
|July 2, 2025
概括
本研究引入了用于自动疾病诊断的混合深度学习 (DL) 模型,与传统机器学习 (ML) 模型相比,显著减少了计算时间并提高了预测准确性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 医疗数据的快速扩张需要高效的自动化疾病诊断系统.
- 现有的机器学习 (ML) 模型在计算时间和预测准确性方面面临挑战.
- 深度学习 (DL) 提供了提高诊断效率和速度的潜力.
研究的目的:
- 为自动化疾病诊断开发混合DL模型,以提高预测性能和减少计算时间.
- 通过使用统计相关关系评估的新型预处理方法来提高分类器的准确性.
- 优化DL模型使用群集智能进行特征选择和减少处理复杂性.
主要方法:
- 开发了一种混合DL模型,集成了Fuzzy评分Resnet-Convolutional神经网络 (FS-Resnet CNN).
- 从感兴趣区域 (ROI) 图像中采用包装技术和快速离散波量变换 (FDWT) 来进行特征提取.
- 适应性灰狼优化算法 (AGWOA) 用于特征选择和减少处理时间.
- 统计相关关系评估用于预处理,以提高分类器的准确性.
主要成果:
- 与ML模型相比,拟议的混合DL模型展示了优异的预测性能和减少的计算时间.
- FS-Resnet CNN框架实现了比现有的预测模型更高的检测率.
- 该模型在计算上被证明是有效的,对噪声不那么敏感,并且具有内存效率.
- 使用包括回忆,精度,F测量和准确性在内的指标验证了性能.
结论:
- 开发的混合DL框架为自动化疾病诊断提供了有效和高效的解决方案.
- 集成AGWOA和FS-Resnet CNN显著提高了诊断的准确性和速度.
- 这种方法解决了大型医疗数据集带来的挑战,以及快速,可靠的诊断的需求.
