基于变压器的特征提取和优化深度神经网络用于胃癌检测
1Department of Management Information Systems, Faculty of Economics and Administrative Sciences, İzmir Bakırçay University, İzmir, Turkey. emine.ucar@bakircay.edu.tr.
Journal of imaging informatics in medicine
|September 26, 2025
概括
使用视觉转换器和特征选择的人工智能 (AI) 模型显著改善了从组织病理图像中检测胃癌的情况. 这种人工智能方法提高了诊断准确度,有助于早期发现疾病和治疗成功.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字病理学数字病理学
背景情况:
- 胃癌是全球死亡的主要原因之一.
- 早期诊断对于有效的胃癌治疗至关重要.
- 手动基因病理图像分析耗时且容易出现错误,因此需要自动化解决方案.
研究的目的:
- 开发和评估一个多阶段的人工智能模型,用于在组织病理图像中自动检测胃癌.
- 探索最先进的视觉变压器模型在特征提取方面的有效性.
- 通过高级特征选择和深度神经网络训练来优化分类性能.
主要方法:
- 使用11个视觉变压器模型进行特征提取.
- 通过ANOVA F-Test,递归特征消除和回归来选择特征.
- 深度神经网络分类通过粒子群优化进行了优化.
主要成果:
- 性能最好的模型实现了97.96%的精度,96.95%的灵敏度,98.61%的特异性,97.85%的精度和97.40%的F1分数.
- 最佳配置涉及DPT模型,基于工会的功能选择和160x160图像分辨率.
- 其他配置也表现出高性能,精度高达97.21% (DPT,120x120) 和95.78% (BEiT,80x80).
结论:
- 基于变压器的特征提取与有效的特征选择相结合,显著提高了胃癌的诊断性能.
- 拟议的AI模型为准确和快速分析胃组织病理图像提供了一个有希望的工具.
- 这种方法可以支持早期诊断,潜在地改善胃癌患者的治疗结果.
