GPTNeXt:生物医学图像分类调查
Fahad A Alotaibi1, Mehmet Said Nur Yagmahan2, Khalid A Alobaid1
1College of Applied Computer Sciences (CACS), King Saud University, Riyadh 11543, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|February 27, 2026
概括
一种新型的生成预训练变压器 (GPT) 启发了卷积神经网络 (CNN) 模型,GPTNeXt,在分类生物医学图像方面实现了超过98%的准确性,包括阿尔茨海默病,血液和肺癌数据集.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 生物医学成像技术 生物医学成像技术
背景情况:
- 著名的计算机视觉解决方案使用变压器和卷积神经网络 (CNN).
- 整合CNN和变压器在图像分类模型开发中很常见.
研究的目的:
- 介绍一个创新的CNN模型,GPTNeXt,灵感来自生成预训练变压器 (GPT) 架构.
- 在各种生物医学数据集上评估拟议的GPTNeXt模型的图像分类能力.
主要方法:
- 开发了GPTNeXt模型和深度特征工程方法.
- 从全球平均池和九个固定大小的图像补丁中使用一种新的方法提取特征.
- 应用代社区组件分析 (INCA) 进行特征选择,并使用三个浅分类器进行分类.
主要成果:
- 基于GPTNeXt的特征工程模型在阿尔茨海默病,血液和肺癌图像数据集上实现了超过98%的分类准确性.
- 在多个生物医学成像任务中展示了多功能分类性能.
结论:
- 拟议的GPTNeXt方法对生物医学图像分类非常有效.
- 一个轻量级的CNN变体也表现出了出色的分类性能,突出了模型的效率.


