Advancing Pulmonary Nodule Detection with ARSGNet: EfficientNet and Transformer Synergy
Notice bibliographique
Résumé
Lung cancer, the leading cause of cancer-related deaths globally, presents significant challenges in early detection and diagnosis. The effective analysis of pulmonary medical imaging, particularly computed tomography (CT) scans, is critical in this endeavor. Traditional diagnostic methods, which are manual and time-intensive, underscore the need for innovative, efficient, and accurate detection approaches. To address this need, we introduce the Adaptive Range Slice Grouping Network (ARSGNet), a novel deep learning framework that enhances early lung cancer diagnosis through advanced segmentation and classification techniques in CT imaging. ARSGNet synergistically integrates the strengths of EfficientNet and Transformer architectures, leveraging their superior feature extraction and contextual processing capabilities. This hybrid model proficiently handles the complexities of 3D CT images, ensuring precise and reliable lung nodule detection. The algorithm processes CT scans using short slice grouping (SSG) and long slice grouping (LSG) techniques to extract critical features from each slice, culminating in the generation of nodule probabilities and the identification of potential nodular regions. Incorporating shapley additive explanations (SHAP) analysis further enhances model interpretability by highlighting the contributory features. Our extensive experimentation demonstrated a significant improvement in diagnostic accuracy, with training accuracy increasing from 0.9126 to 0.9817. This advancement not only reflects the model’s efficient learning curve but also its high proficiency in accurately classifying a majority of training samples. Given its high accuracy, interpretability, and consistent reduction in training loss, ARSGNet holds substantial potential as a groundbreaking tool for early lung cancer detection and diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».