一个具有高级功能融合的多阶段混合学习模型,用于增强前列腺癌分类
Sameh Abd El-Ghany1, A A Abd El-Aziz1
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|December 30, 2025
概括
一个新的混合学习模型结合了深度和手工制作的功能,显著改善了使用MRI的前列腺癌 (PCa) 诊断. 这种先进的方法实现了高精度,为临床决策支持提供了可靠的工具.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 是男性癌症死亡的主要原因,由于成像变异性,它存在诊断挑战.
- 磁共振成像 (MRI) 对于PCa检测至关重要,但准确的分类需要整合各种特征类型.
- 将深度学习特征 (CNN) 与手工描述符 (HOG) 结合起来,对于增强计算机辅助诊断至关重要.
研究的目的:
- 开发一个多阶段的混合学习模型,以使用MRI改进PCa诊断.
- 调查特征减少和分类技术,以获得最佳的诊断性能.
- 提高前列腺癌计算机辅助诊断的准确性和可靠性.
主要方法:
- 集成深度特征从CNN与手工制作的纹理描述器 (例如,HOG).
- 在合并的特征空间上使用了像单数值分解 (SVD) 这样的缩小维度的技术.
- 他们对各种机器学习分类器进行了基准测试,并使用k-fold交叉验证验证该框架.
主要成果:
- 混合模型显著优于个人深度或手工制作的特征方法.
- 在TPP数据集上实现了特殊的性能指标:99.74%的准确性,99.87%的特异性,99.87%的精度,99.61%的灵敏性和99.74%的F1得分.
- 在二进制分类任务中表现出卓越的诊断能力.
结论:
- 拟议的混合模型为PCa诊断提供了强大的和可通用的解决方案.
- 互补特征的有效整合,维度降低和优化分类提高了诊断准确度.
- 该模型显示了集成到临床决策支持系统的强大潜力.
