肺癌检测的层次推理:从多尺度感知到使用CR-YOLO的超图推理
Zhengshui Xu1,2, Tianle Shen3, Changchun Ye4
1Department of Thoracic Surgery, The Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, Shaanxi, China.
NPJ digital medicine
|November 27, 2025
概括
这项研究引入了CR-YOLO,这是一个新的深度学习框架,用于在CT扫描中检测肺癌. CR-YOLO显著提高了诊断准确性和解释性,有助于早期发现肺癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 通过CT扫描精确检测肺癌对于患者的生存至关重要,但对于当前的深度学习模型来说具有挑战性.
- 模型与肺结节尺度变化和复杂的诊断推理作斗争.
研究的目的:
- 开发一种新的深度学习框架CR-YOLO,用于CT扫描中增强肺癌检测.
- 为了提高人工智能驱动的肺癌诊断的准确性和可解释性.
主要方法:
- 拟议的CR-YOLO框架与认知推理C2f (CR-C2f) 模块模拟放射科医生的工作流程.
- 集成的多尺度卷积 (MSC) 用于特征感知,全球-本地注意力 (GLA) 瓶用于形态和上下文集成,以及超图卷积 (HGC) 精炼器用于关系推理.
主要成果:
- CR-YOLO实现了92.5%的平均平均精度 (mAP),比YOLOv8n基线绝对改善了4.1%.
- 使用Grad-CAM分析证明了增强的解释性.
结论:
- CR-YOLO显示出作为早期肺癌诊断的可靠和透明工具的巨大潜力.
- 该框架的认知推理方法提高了检测准确性和模型可解释性.
