对肺癌CT分类的最新轻量级深度学习架构的评估
MennaAllah Mahmoud1, Yanhua Wen1, Xiaohuan Pan2
1Radiology Department, The Fifth Affiliated Hospital of Guangzhou Medical University, Guangzhou, China.
Frontiers in oncology
|October 6, 2025
概括
轻量级的深度学习模型对肺癌分类有希望,提供与传统模型相比的高效性能. 这些模型非常适合资源有限的临床环境,改善医疗成像的可访问性和采用性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医学成像中复杂的深度学习模型的临床采用是有限的.
- 轻量级架构显示出潜力,但在肺癌分类中未得到充分利用.
- 资源有限的环境阻碍了大型深度学习模型的部署.
研究的目的:
- 评估最近开发的轻量级模型用于肺癌分类.
- 为临床部署建立基线性能比较.
- 评估模型的效率 (推理时间,参数) 和准确性.
主要方法:
- 评估了三个轻量级的预训练模型:MobileOne-S0,FastViT-S12和MambaOut-Femto.
- 利用公共 (95个案例) 和私人 (274个案例) CT 数据集进行肺癌分类.
- 采用五倍交叉验证和数据增强,以进行可靠的绩效评估.
主要成果:
- MambaOut-Femto在最短的推断时间和适度的参数中表现出卓越的效率.
- 轻量级模型实现了高精度 (例如,MambaOut-Femto:数据集1上的0.896±0.014).
- 轻量级模型在效率和可比准确性方面优于传统模型 (ResNet,Swin变压器).
结论:
- 轻量级模型为低资源环境中的肺癌分类提供了一个实用的解决方案.
- 它们的卓越效率和可比性能克服了临床采用障碍.
- 这些模型具有将其整合到临床工作流程中的巨大潜力.
