优化的联合学习框架与RegNetZ和Swin-Transformer用于多式模式的胰腺癌检测1
Wei Ge1, Vijay Govindarajan2, Jing Yang3
1Department of Oncology, Baotou Central Hospital, 014040, Baotou, Inner Mongolia, China.
Scientific reports
|December 24, 2025
概括
这项研究引入了用于早期发现胰腺癌的联合学习框架,提高了诊断准确性和隐私. 人工智能模型在使用多式联网数据的检测,分类和预后预测方面实现了高性能.
科学领域:
- 在瘤学中使用人工智能
- 医学成像分析 医学成像分析
- 为医疗保健提供联合学习.
背景情况:
- 胰腺癌的存活率很低,原因是晚期诊断和使用CT/MRI早期检测的挑战.
- 医疗保健中的集中深度学习面临着严重的隐私和数据共享障碍.
- 早期检测对于改善胰腺癌管理中的患者结果至关重要.
研究的目的:
- 为自动胰腺癌检测,亚型分类和预后预测开发一个联合学习框架.
- 整合多模式数据 (CT,MRI,组织学,基因组学,临床记录) 进行综合分析.
- 通过实现未经原始数据交换的去中心化模型培训来解决隐私问题.
主要方法:
- 结合RegNetZ和Swin-Transformer进行特征提取和依赖性建模的联合学习框架.
- 混合型Aquila-Grey Wolf优化器 (HA-GWO) 提供高效的超参数调整.
- 在5-7个模拟客户机构中使用多式联络患者数据进行评估.
主要成果:
- 实现了高性能指标:99.2%的准确度,98.9%的灵敏度,99.0%的精度和99.4%的AUC.
- 在检测,分类和预后预测方面表现优于仅CNN和仅变压器的基线.
- 证明了虚假阳性和负性的显著减少,以提高诊断可靠性.
结论:
- 拟议的联合学习框架提高了胰腺癌诊断的准确性,同时保护了患者的隐私.
- 该系统提供了一个可扩展和具有成本效益的解决方案,用于实时检测和精确瘤学在联合环境中.
- 优化的超参数 (学习率0.003,批量大小64) 确保了模型的高效性能.
