使用"双分支"模型分类方法增强肺癌检测的深度学习模型
Emad Shweikeh1, Murad Al-Rajab2, Joan Lu3
1Department of Computer Science, School of Computing and Engineering, University of Huddersfield, Huddersfield, United Kingdom.
PloS one
|January 9, 2026
概括
本研究引入了用于肺癌检测的双分支模型分类方法 (DbMCA),通过整合图像和面具数据来提高准确性. DbMCA显著提高了肺癌的诊断能力,表现优于基线模型.
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:
- 肺癌是全球癌症相关死亡的主要原因之一.
- 计算机断层扫描 (CT) 对于肺癌诊断至关重要,但有限的数据和输入方式等挑战仍然存在.
- 精确的肺癌分类对于改善患者生存率至关重要.
研究的目的:
- 引入和评估双分支模型分类方法 (DbMCA) 以提高肺癌检测.
- 评估样本大小和双输入模式 (图像和面具) 对诊断模型性能的影响.
- 解决现有的肺癌检测方法的局限性,例如数据稀缺和单模输入.
主要方法:
- 开发了一种两阶段的双分支模型分类方法 (DbMCA).
- 整合了图像和面具数据,用于多模式分类策略.
- 在不同的样本大小的LIDC-IDRI数据集上进行了比较实验.
主要成果:
- DbMCA在较小的数据集上实现了91.21%的准确性和91.18%的F1得分,在较大的数据集上实现了98.04%的准确性和98.01%的F1得分.
- 与基线模型相比,表现出优越的性能,特别是集成的多模式信息.
- 突出了卷积神经网络 (CNN) 性能对稀疏掩盖数据的敏感性,深度神经网络 (DNN) 和支持矢量机器 (SVM) 显示出更好的可扩展性.
结论:
- 通过整合多模式数据,DbMCA显著提高了肺癌检测的准确性和可扩展性.
- 该模型显示了检测微妙的肺癌模式的潜力,优于较弱的基线.
- 未来的工作应该集中在提高图像质量,扩大数据集,解决细分约束,以便更好地概括.
