Ant Colony Optimization‐Based Deep Ensemble Learning Model for Improved Gastrointestinal Disease Detection
Notice bibliographique
Résumé
ABSTRACT Gastrointestinal (GI) disorders represent a significant challenge in healthcare, underscoring the necessity for more precise and effective diagnostic techniques. Conventional approaches, which often rely on single models, have demonstrated shortcomings in both accuracy and efficacy, often failing to detect the intricate and varied patterns linked to these diseases. To overcome these challenges, this study introduces a novel ensemble learning framework tailored for GI detection. The framework utilizes a three‐layer architectural approach that integrates Convolutional Neural Networks (CNNs), the Ant Colony Optimization Algorithm (ACO), and Weighted Aggregation Ensemble Techniques (WAET). The methodology unfolds in three key stages: First, multiple CNNs are fine‐tuned using transfer learning, while ACO optimizes the hyperparameters of each CNN to enhance model adaptability and performance. Second, the predictions from the top three optimized models are combined using WAET to strengthen the system's robustness in GI detection. Lastly, ACO is employed to optimize the weight assignment for each model during the ensembling process. We use a dataset of 6000 endoscopy images, enhanced by cropping and augmentation techniques to boost diversity and improve classification performance. Additional experiments on CP‐Child‐A and CP‐Child‐B show that the proposed ensemble model achieves superior performance, with an accuracy of 99.88% on the primary dataset and 98.75% and 100% on CP‐Child‐A and B, respectively. It outperforms traditional hybrid methods and state‐of‐the‐art approaches. The effectiveness of the model is further validated through interpretability techniques like Grad‐CAM and SHAP, providing insights into the decision‐making process. This approach enhances diagnostic accuracy and provides a robust, interpretable solution for automated detection of GI diseases, improving clinical decision‐making.
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 | 0,001 |
| 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 ».