用转换器辅助的卷积特征提取与深度表示学习模型用于肺癌和结肠癌诊断,使用组织病理图像

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肺癌和结肠癌 (LCC) 是全球主要的死亡原因.
• 通过组织病理学图像 (HIs) 早期发现瘤对于患者的生存至关重要.
• 传统的HI分析是耗时的,需要先进的诊断工具.

研究的目的:

• 使用先进的分析方法开发LCC的有效诊断模型.
• 提高早期检测的准确性和改善LCC的治疗结果.
• 利用人工智能 (AI) 来有效分析高维异位病理学数据.

主要方法:

• 通过变压器辅助卷积特征提取和深度表示学习 (LCCD-TCFEDRL) 技术提出了肺癌和结肠癌诊断.
• 使用导向图像过 (GIF) 进行图像预处理和降噪.
• 使用CoAtNet进行特征提取和双向时间卷积网络 (BiTCN) 与Adan优化器 (AO) 进行分类.

主要成果:

• 在LCC HIs数据集上,LCCD-TCFEDRL方法取得了99.36%的卓越准确性.
• 与现有模型相比,在LCC诊断方面表现出显著的改善.
• 与手动评估相比,人工智能驱动的方法促进了更快,更有效的诊断.

结论:

• 该LCCD-TCFEDRL技术显示了准确和早期LCC诊断的巨大潜力.
• 人工智能和深度学习方法可以显著提高对基因病理图像的分析.
• 这种方法通过精确的早期检测支持改进的治疗策略.