使用一种新的混合方法对宫癌进行分类
Jheelam Mondal1, Rajdeep Chatterjee1, Mahendra Kumar Gourisaria1
1School of Computer Engineering, Kalinga Institute of Industrial Technology (KIIT) Deemed to be University, Bhubaneswar, Odisha, India.
Frontiers in oncology
|December 22, 2025
概括
一个新的深度学习模型,CASPNet,准确地将宫细胞分类为健康或恶性. 这种上下文注意力和空间聚合网络实现了97.07%的准确性,改善了早期癌症检测.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 宫癌是全球女性的主要恶性瘤.
- 通过巴氏涂片分析进行早期检测至关重要,但劳动密集型且易出错.
- 自动细胞分类可以提高诊断准确性和效率.
研究的目的:
- 开发和评估一种新的深度学习模型,CASPNet,用于宫细胞的自动分类.
- 使用先进的AI技术,区分健康和恶性宫细胞.
- 提高宫癌查的准确性和效率.
主要方法:
- 拟议的CASPNet模型整合了多头自我注意,跨阶段部分 (CSP) 网络和空间金字塔聚合快速 (SPPF) 层.
- 利用自我注意力来获取全球上下文信息和CSP块来有效地提取本地特征.
- 采用SPPF进行多级特征提取,以处理不同尺寸的细胞.
主要成果:
- 在SIPAKMED数据集上,CASPNet取得了97.07%的高精度.
- 与传统的卷积神经网络 (CNN) 模型相比,该模型显示出更高的测试准确性.
- 在可比的计算效率下实现了最佳性能.
结论:
- CASPNet有效地对子宫细胞进行分类,提供更精确,更可靠的诊断工具.
- 自我注意,CSP和SPPF的整合增强了模型捕捉全球和本地特征的能力.
- 这种由人工智能驱动的方法显示出改善宫癌查和早期检测的希望.


