一个基于变压器和3D CNN的功能融合网络,具有对拉曼光谱分析的可解释能力:改善甲状腺癌的诊断
Yu Sun1, Dandan Fan1, Changjing Jia1
1Key Laboratory of Optical Technology and Instrument for Medicine, Ministry of Education, University of Shanghai for Science and Technology, Shanghai 200093, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 28, 2026
概括
一个新的多模式深度学习模型整合了1D和2D拉曼光谱数据,用于增强甲状腺癌检测. 这种方法达到94.7%的准确性,优于现有方法,并提高了诊断的解释性.
科学领域:
- 生物医学光学 生物医学光学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 在临床上很难准确区分良性和恶性甲状腺结节.
- 拉曼光谱提供无标签的分子信息,但识别诊断光谱模式是具有挑战性的.
- 分析1D拉曼光谱的现有AI方法可能会错过复杂的光谱关系.
研究的目的:
- 开发一种新的多式联络深度学习框架,以使用拉曼光谱来改进甲状腺癌检测.
- 为了加强诊断性能,协同整合1D光谱和2D时空特征.
- 改进基于拉曼的癌症诊断中人工智能模型的解释性.
主要方法:
- 一个多式深度学习框架,结合了变压器 (用于1D光谱) 和3D-CNN (用于2D光谱转换).
- 采用多头交叉注意力机制的双模式特征的自适应融合.
- 该框架应用于拉曼光谱数据,用于甲状腺病变的分类.
主要成果:
- 多式模式模型在甲状腺病变方面实现了94.7%的诊断准确度.
- 性能超过了单模变压器 (91.0%) 和3D-CNN (89.4%) 模型.
- 该模型通过识别有助于分类的关键拉曼峰,证明了增强的解释性.
结论:
- 表面增强拉曼光谱 (SERS) 与可解释的深度学习的整合为甲状腺癌诊断提供了一种新有效的方法.
- 拟议的多式联络方法实现了高诊断准确性和改进的模型可解释性.
- 这项研究代表了这种基于拉曼的甲状腺癌检测多式模式框架的首次应用.
