4 статей
В статье представлен новый модуль внимания DDSA, интегрированный в архитектуру DenseNet для классификации пяти подтипов рака яичников по гистопатологическим изображениям. Модель достигла точности 92,53% и высокого F1-счета, демонстрируя способность выделять дискриминативные области опухоли и улучшать интерпретируемость диагностики.
В статье представлена новая архитектура GLHF-Net для автоматической классификации кожных поражений, объединяющая дерматоскопические изображения и клинические метаданные. Модель использует механизм динамического мультимодального слияния и регуляризацию низкого ранга для повышения точности и интерпретируемости диагностики меланомы на наборе данных HAM10000.
В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для ранней диагностики.
В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.
