优化基于猫群增强合体神经网络方法的乳腺癌分类,以改善诊断和治疗决策
A Abdul Hayum1, Finney Daniel Shadrach2
1Electronics and Communication Engineering, Hindusthan Institute of Technology, Coimbatore, 641032, India. abdulhayum@hit.edu.in.
Scientific reports
|October 1, 2025
概括
这项研究引入了CS-EENN模型,用于增强乳腺癌分类. 这种新的方法显著提高了使用优化深度学习架构的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 准确的乳腺癌诊断对于患者的治疗结果至关重要.
- 机器学习,特别是深度学习,在分类方面表现有前途.
- 由于数据的复杂性,实现高精度仍然存在挑战.
研究的目的:
- 为优化乳腺癌分类引入一种创新方法.
- 通过使用一种结合优化和组合方法的新型模型来提高诊断准确度.
主要方法:
- 利用猫群优化 (CSO) 来优化神经网络的超参数.
- 采用了一个增强集体神经网络 (CS-EENN) 模型.
- 集成的EfficientNetB0,ResNet50和DenseNet121架构用于多方面的数据分析.
主要成果:
- 在"乳腺组织病理学图像"数据集上,CS-EENN模型实现了98.19%的准确性.
- 与传统的乳腺癌分类方法相比,表现优越.
- 展示了CSO在优化医疗任务的深度学习模型方面的有效性.
结论:
- CS-EENN模型在乳腺癌分类准确度方面取得了重大进展.
- 这种方法有可能对早期检测和治疗决策产生积极影响.
- 优化的深度学习模型对改善瘤学诊断工具有很大的前景.
