使用先进的VGGNet16与波波变换等分和CL-PSO进行肺癌分类的新型组合转移学习方法
Manmath Nath Das1, Niranjan Panda1, Rasmita Rautray1
1Dept. of Computer Science and Engineering, ITER(FET), Siksha 'O' Anusandha (Deemed to be) University, Bhubaneswar, India.
Computers in biology and medicine
|December 10, 2025
概括
这项研究引入了一种先进的深度学习模型,用于使用CT扫描进行早期肺癌诊断. 人工智能实现了近乎完美的准确性,为实时临床应用提供了强大的工具.
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:
- 肺癌是一个重大的全球健康挑战,需要有效和准确的诊断方法.
- 目前的诊断策略需要加强,以提高早期检测率和减少患者负担.
研究的目的:
- 开发和验证用于早期肺癌诊断的增强深度学习框架,使用计算机断层扫描 (CT) 扫描.
- 通过先进的AI技术,提高肺癌检测的灵敏度和准确性,特别是在良性病例中.
主要方法:
- 一个VGG-16深度学习模型使用综合学习粒子集群优化 (CL-PSO) 进行了微调.
- 波形变换均等化和类加权培训用于预处理和解决数据不平衡.
- 使用Grad-CAM可视化来解释模型预测,并确保与放射性标准保持一致.
主要成果:
- 该模型在IQ-OTH/NCCD数据集上取得了卓越的表现,准确率为99.99%,精度和回忆率为99.98%,F1得分为99.99%,AUC-ROC为1.00.
- 人工智能证明了对噪音,遮蔽和照明变化的稳定性,在不到50ms的时间内处理图像.
- 通过Grad-CAM证实了可解释性,将预测与放射性决定点相关联.
结论:
- 拟议的深度学习方法为早期肺癌诊断提供了一个高度准确和高效的方法.
- 该模型的实时处理能力和稳定性使其适合集成到医院图像存档和通信系统 (PACS) 和边缘医疗保健系统中.