增强注意力的深度学习模型用于CT成像上的出血和缺血性中风的自动分类
Siyao Che1, Siyu Che2,3,4, Xiaofei Liu5
1Department of Neurology, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing, China.
European journal of medical research
|March 3, 2026
概括
一个新的深度学习模型,GCDCNet,准确地以高效率分类中风CT图像. 这种轻量级模型有助于临床医生早期发现中风,并提高诊断速度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 脑卒中对全球健康构成重大挑战,需要对出血和缺血类型进行快速准确的分类,以便有效治疗.
- 目前的诊断方法需要提高速度和准确性,以便及时做出临床决策.
研究的目的:
- 开发一个轻量级和高效的深度学习模型,GCDCNet,用于精确分类中风CT图像.
- 使用人工智能提高中风诊断的准确性和效率.
主要方法:
- 使用了一个公共的中风CT数据集,包括964次出血性中风和1551次缺血性中风.
- 基于GhostNet架构的GCDCNet模型结合了SCSE注意力,扩展卷积和道混合以优化功能.
- 模型性能与ConvNeXt,EfficientNet,GhostNet,HRNet和ViT进行了评估,并使用Grad-CAM进行可视化分析.
主要成果:
- GCDCNet实现了高性能指标:准确率为99.26%,回忆率为99.33%,F1得分为99.13%,精度为98.94%.
- 该模型拥有较小的参数数量 (2.7M),明显低于其他深度学习模型,表明其轻量级的性质.
- 据GCDCNet证明,优异类别歧视 (AUC=0.9996) 和其重点领域与临床医生评估一致,表现优于ConvNeXt和ViT.
结论:
- GCDCNet为中风CT图像分类提供了卓越的准确性,轻量化设计和强大的概括性.
- 该模型的可解释性和性能使其适合于协助早期中风查,紧急分类和远程医疗.
- GCDCNet有可能显著提高中风诊断效率,并优化医疗资源分配.
