相关实验视频
Updated: Jan 12, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
731
结直肠癌的诊断使用残留变压器与混合注意力和可解释的AI
Poonam Sharma1, Bhisham Sharma2, Ajit Noonia3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
PloS one
|November 3, 2025
概括
一个新的混合深度学习模型,剩余下一个变压器网络 (RNTNet),通过有效捕捉空间特征,准确诊断结直肠癌 (CRC). 这种先进的AI工具有助于瘤学家在早期CRC检测和诊断.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 结肠直肠癌 (CRC) 是全球癌症死亡的主要原因.
- 当前的深度学习模型在复杂的CRC图像中与空间特征相关性作斗争.
- 准确和高效的CRC诊断仍然是医疗保健中的一个重大挑战.
研究的目的:
- 开发一个先进的深度学习模型,以改善结直肠癌 (CRC) 诊断.
- 解决现有模型在捕捉全球空间特征相关性方面的局限性.
- 从医学图像中提高自动CRC检测的准确性和效率.
主要方法:
- 提出了一个混合剩余下一个变压器网络 (RNTNet),集成ResNeXt和视觉变压器 (ViT) 编码器.
- 利用ResNeXt与组卷积和跳过连接进行细粒度特征提取.
- 包含一个具有混合注意力和多尺度特征聚合的ViT编码器,用于全球空间特征分析.
- 集成的Grad-CAM可用于可视化模型决策,以协助瘤学家.
主要成果:
- 实现了高分类准确度:KvasirV1上的97.96%和Kather数据集上的98.20%.
- 通过ROC曲线分析证明了强大的模型疗效,AUC值为0.9895 (KvasirV1) 和0.9937 (Kather).
- 与现有的最先进的方法相比,RNTNet在准确性和效率方面表现出卓越的表现.
结论:
- RNTNet模型有效地克服了CRC图像分析中的挑战,提供了高诊断准确度.
- 结合ResNeXt和ViT的混合方法提供了强大的全球和本地特征提取.
- RNTNet显示出作为瘤学家在诊断结肠直肠癌方面的支持工具的巨大潜力.