组装基于深度学习的高精度框架,用于从组织病理图像检测乳腺癌
Faizan Ahmad1, Arfan Jaffar1, Ghazanfar Latif2
1Department of Computer Science, Superior University, Lahore 547700, Pakistan.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
这项研究介绍了一种混合深度学习框架,集成卷积神经网络 (CNN) 和视觉转换器 (ViT) 来通过基因病理图像进行增强的乳腺癌诊断. 拟议的模型实现了高精度和稳定性,为自动检测提供了可解释的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 组织病理图像分析是诊断乳腺癌的标准.
- 当前的深度学习和ViT架构在捕获复杂模式方面面临挑战,导致过度拟合和优化问题.
研究的目的:
- 提出一个新的四相混合框架,以加强功能融合,以改善乳腺癌诊断.
- 提高诊断模型的强度,稳定性和概括能力.
主要方法:
- 使用患者智能数据分割 (70-15-15) 与增强和交叉验证.
- 对CNN (VGG16,ResNet50,DenseNet121) 和ViT (DeiT,CaiT,T2T-ViT,Swin Transformer) 的独立培训建立了基线绩效.
- 一个混合框架结合了最好的CNN和ViT模型,使用自我注意力来实现跨模式的功能融合,全球平均聚合和功能扩展.
主要成果:
- 混合框架在BreakHis数据集上实现了98.7%的准确性和98.7%的F1分数.
- 该模型在外部BACH数据集上显示了95.8%的准确性.
- XGBoost是表现最好的机器学习分类器,其结果得到了Grad-CAM和Grad-CAM++可解释性的支持.
结论:
- 通过自我注意来整合CNN和ViT,为自动化乳腺癌诊断提供了强大的和可解释的解决方案.
- 拟议的框架有效地解决了现有的深度学习架构的局限性.