使用人工智能和深度学习方法的自动预测框架,用于早期检测和分类肝癌
Yefeng Dai1, Fan Gao1, Yeqi Chen1
1Department of General Surgery, Shangyu People's Hospital of Shaoxing, Shaoxing, Zhejiang, China.
Frontiers in oncology
|December 8, 2025
概括
深度学习框架LiverCompactNet使用5000张图像准确检测肝癌. 它达到99.1%的准确性,有助于早期诊断和改善肝癌检测患者的结果.
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:
- 肝癌,包括肝细胞癌 (HCC),是全球重要的健康问题,推动了对先进诊断工具的需求.
- 早期和准确的肝癌检测对于改善患者存活率和治疗疗效至关重要.
研究的目的:
- 推出LiverCompactNet,这是一个新的深度学习框架,旨在早期检测和分类肝癌.
- 评估LiverCompactNet在区分良性,恶性和正常肝脏疾病方面的性能.
主要方法:
- 使用了5000张肝脏图像 (良性,恶性,正常) 的数据集,分为培训,验证和测试集.
- 数据预处理包括规范化和类平衡. 探索性主要组件分析 (PCA) 用于可视化衍生特征.
- 开发并训练了一种深度学习模型LiverCompactNet,用于肝脏图像分类.
主要成果:
- 肝脏紧网的整体准确率达到了99.1%,AUC-ROC得分为0.995.5.
- 该模型表现出高灵敏度 (98.3%用于恶性检测) 和特异性 (99.4%).
- 培训和验证指标显示持续改善,表明有效的学习和强大的表现.
结论:
- 肝脏紧网为早期发现肝癌提供了一种高度准确和可靠的方法.
- 该框架有可能显著提高医学图像分析,并支持肝癌诊断中的临床决策.
