利用深度学习来应对图像数据不足的诊断挑战
Jian-Ming Lu1, Ping-Yeh Chiu1,2, Chien-Fu Chen1,3
1Institute of Applied Mechanics, National Taiwan University, Taipei 106, Taiwan.
ACS sensors
|September 11, 2025
概括
这项研究引入了一种新的AI模型,DSAWGAN,用于在有限数据的情况下进行传染病诊断. 它显著提高了诊断准确度,使其在资源有限的环境中有效.
科学领域:
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
- 生物信息学是一种生物信息学.
背景情况:
- 人工智能驱动的疾病诊断严重依赖于大型数据集和先进的算法.
- 为罕见或新兴疾病生成全面数据集是一项挑战.
- 有限的数据可用性阻碍了AI模型在诊断中的性能.
研究的目的:
- 为改善传染病诊断引入一个直接自我关注的瓦斯斯坦生成对抗网络 (DSAWGAN).
- 在数据有限的场景中增强诊断能力.
- 开发一款便携式且具有成本效益的诊断解决方案.
主要方法:
- 通过整合注意力模块和瓦斯斯坦距离优化,开发了DSAWGAN.
- 将DSAWGAN生成的图像与传统的数据增强技术进行比较.
- 使用分类神经网络评估诊断准确性.
- 将模型集成到一个移动应用程序中,用于便携式测试.
主要成果:
- 使用半个原始数据 (n=1500),DSAWGAN使诊断准确度从98.00%提高到99.33%.
- 即使使用10%的数据 (n=300),模型也保持了92.67%的准确性.
- 生成的图像显示了增强的融合速度,稳定性和质量.
结论:
- DSAWGAN有效地解决了人工智能驱动疾病诊断中的数据短缺问题.
- 该模型为快速,便携和经济高效的诊断提供了可行的解决方案.
- 这种方法对资源有限的医疗保健机构有很大的前景.