AI-Powered CNN Model for Automated Lung Cancer Diagnosis in Medical Imaging
Notice bibliographique
Résumé
Lung cancer remains a critical health concern in the entire world, which has been a major cause of high rates of cancer-related mortalities that affect individuals in every part of the world. The findings emphasize the notable potential of deep learning procedures to assist radiologists in diagnosing cases of lung-related abnormalities appropriately. Such methods are also leading to the improvement of AI-based healthcare products. The enhancements to the suggested model [16, 17, 18, 21] in the future will be aimed at tuning hyperparameters, 3D CNN [16, 17, 18] architectures, and the integration of patient clinical data, with the aim of further increasing the accuracy [16, 17, 19] of diagnosis as well as system performance. This paper uses the IQ-OTHNCCD dataset, a publicly available and highly annotated set of CT imaging that has been annotated by experts in the medical field. The preprocessing techniques applied will involve changing the images to Grayscale, normalizing the pixel values, ensuring consistency in the images, and converting them to a standard size of 128x128 pixels, which is the ideal size to feed the images into the CNN [16, 17, 18]. In the proposed work, the model [16, 17, 18, 21] integrates multi-scale convolutional layers with adaptive dropout (rate=0.5) and ReLU activations, yielding 95% accuracy [16, 17, 19] and 0.95 F1-score (95% CI: 93.8–96.2%) on a 70/15/15 train/validation/test split— a 4% improvement in F1-score. Preprocessing includes grayscale conversion, pixel normalization to [0,1], and resizing to 128x128 pixels. The architecture comprises three convolutional blocks (32/64/128 filters, 3x3 kernels), max-pooling (2x2), flattening, a 512-unit dense layer, and a 3-unit softmax output. Future enhancements include hyperparameter tuning, 3D CNN [16, 17, 18] integration, and clinical data fusion to exceed 97% accuracy [16, 17, 19].
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 | 0,007 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».