相关实验视频
Updated: Sep 13, 2025
10:43
Modeling Oral-Esophageal Squamous Cell Carcinoma in 3D Organoids
Published on: December 23, 2022
3.5K
深度学习方法使用ConvNeXt-SE-attn模型进行体外口腔状细胞癌和化疗分析
Abhay Nath1, Om Roy2, Priyanka Silveri3
1Department of Information Technology, Devang Patel Institute of Advance Technology and Research, Charotar University of Science and Technology, CHARUSAT Campus, Anand 388421, Gujarat, India.
MethodsX
|August 1, 2025
概括
一个新的ConvNeXt-SE-Attn模型显著改善了口腔状细胞癌 (OSCC) 的检测. 这种人工智能方法增强了特征提取,以更准确和更强大的口腔癌细胞分类,帮助早期诊断.
科学领域:
- 瘤学和人工智能的人工智能
- 医学成像和诊断 医学成像和诊断
- 计算病理学计算病理学
背景情况:
- 口腔状细胞癌 (OSCC) 是一个重大的全球健康挑战,死亡率和复发率很高.
- 目前的OSCC诊断方法往往难以早期检测细微的细胞变异,从而影响患者的生存结果.
- 需要先进的计算工具来提高OSCC检测的准确性和效率至关重要.
研究的目的:
- 开发和评估一种新的深度学习架构,ConvNeXt-SE-Attn,用于增强口腔状细胞癌的检测.
- 与现有的卷积神经网络 (CNN) 模型相比,提高特征提取能力和分类稳定性.
- 为识别口腔细胞最小变异提供更准确,更易于解释的工具,以支持临床决策.
主要方法:
- 拟议的ConvNeXt-SE-Attn模型整合了剩余连接,挤压激发 (SE) 块和混合注意力机制.
- 使用增强的激活功能 (基于高斯的GReLU与Swish) 和优化算法来改善梯度流.
- 分别使用DropPath规范化和Grad-CAM进行模型概括和增强可解释性.
主要成果:
- 在ConvNeXt-SE-Attn模型中,比传统的CNN骨干 (VGG16,ResNet50,DenseNet121) 显示出更高的性能.
- 关键性能指标显示显著改善:精度 (97.88%),灵敏度 (96.82%),特异性 (95.94%),F1得分 (97.31%),AUC (0.9644),和MCC (0.9397).这些指标中的一个是精度 (97.88%),灵敏度 (96.82%),特异性 (95.94%).
- 该架构有效地提取了标准模型遗漏的微妙特征,在不平衡的数据集上展示了强度.
结论:
- ConvNeXt-SE-Attn模型为OSCC检测提供了更高的特征表示能力和强大的分类.
- 该模型通过Grad-CAM的可解释性通过突出关键图像区域来促进临床决策.
- 这种人工智能驱动的方法对OSCC的精确,非侵入性检测和治疗策略具有前景.
