基于多个光谱的多式深度学习方法,用于肺癌早期诊断
Haolin Zhang1, Yafeng Qi1, Han Xu1
1State Key Laboratory of Electromechanical Integrated Manufacturing of High-performance Electronic Equipment, School of Electro-Mechanical Engineering, School of Life Science and Technology, Xidian University, Xi'an, Shaanxi 710071, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 16, 2025
概括
这项研究引入了一种新的多式联络深度学习方法,用于使用四种光谱类型来早期检测肺癌. 该方法实现了高精度,为传统诊断技术提供了有希望的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 癌症的诊断 癌症的诊断
背景情况:
- 肺癌是全球主要的死亡原因,需要准确和早期的诊断方法.
- 像成像和组织病理学这样的传统诊断工具都有局限性,包括成本,辐射和主观性.
- 对于先进,可靠和可访问的肺癌检测技术有着至关重要的需求.
研究的目的:
- 开发和验证用于增强肺癌检测的多式联络深度学习框架.
- 将多样化的光谱数据 (FTIR,UV-Vis,光,拉曼) 整合到一个统一的诊断模型中.
- 通过光谱分析,提高早期肺癌诊断的准确性和效率.
主要方法:
- 设计了一个深度学习模型,整合了四种光谱类型:福里埃变换红外线 (FTIR),UV-Vis吸收,光和拉曼光谱.
- 光谱数据以1D序列和2D格拉米安角总和场 (GASF) 图像表示.
- 采用基于MambaVision的融合模块的双分支架构用于特征提取和跨模式交互.
主要成果:
- 拟议的多式联机深度学习方法实现了高诊断性能:97.65%的准确性,98.14%的精度,97.52%的回忆,97.82%的F1分数和99.76%的AUC.
- 废弃性研究和比较实验验证了培训策略和拟议模型的有效性.
- 解释性分析证实了该模型的重点是诊断相关的光谱区域.
结论:
- 多模式光谱深度学习方法显示出对准确和早期肺癌诊断的巨大潜力.
- 这种方法为基于光谱的癌症诊断提供了一个有希望的,智能化的,潜在的更容易获得的范式.
- 这些发现强调了整合多样化的光谱信息以提高瘤学诊断能力的力量.
