丰富的肺癌分类方法使用优化的混合深度学习方法.
1Department of Computer Science and Engineering (IOT and CS with BCT), SNS College of Engineering, Coimbatore, Tamilnadu, India. naveenrajm055@gmail.com.
Scientific reports
|October 29, 2025
概括
这项研究引入了一个深度学习框架,用于使用CT扫描进行早期肺癌检测. 该模型在分类肺组织方面实现了98.75%的准确性,提供了有前途的非侵入性诊断辅助.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 肺癌是全球主要的死亡原因,需要早期检测以改善生存率.
- 传统的诊断方法,如CT扫描和X射线,由于良性和恶性结节之间的视觉相似性,可能是模两可的,需要专家解释.
- 需要自动化框架来帮助准确和早期的肺癌分类.
研究的目的:
- 开发和验证使用深度学习 (DL) 方法的自动肺癌分类框架.
- 通过先进的图像处理和机器学习技术,提高肺癌诊断的准确性和效率.
- 为放射科医生提供非侵入性决策支持工具,促进早期癌症检测.
主要方法:
- 使用自适应过器进行图像预处理,以减少噪声.
- 使用混合马群优化 (HHO) 和狮子优化算法 (LOA) 的损伤细分和特征改进.
- 使用混合深度卷积神经网络和长短期记忆 (DCNN+LSTM) 模型进行分类,以增强特征提取和时间学习.
主要成果:
- 拟议的DL框架在标准肺CT数据集上实现了98.75%的高精度.
- 该系统有效地区分正常和异常的肺组织.
- 优化的特征提取和分类模型在肺结节分析中表现出显著的性能.
结论:
- 开发的DL框架在CT图像的肺癌分类方面表现出高效,为诊断准确性提供了潜在的进步.
- 虽然计算需求和CT性能存在实时可用性限制,但该系统可以作为放射科医生的智能,非侵入性辅助.
- 该框架支持早期肺癌诊断,并协助临床决策,可能改善患者的治疗结果.