【论文阅读】MediScan: A Framework of U-Health and Prognostic AI Assessment on Medical Imaging

创建日期： 2025-04-5  20：37 PM |

影像学杂志 2024， 10（12）， 322;https://doi.org/10.3390/jimaging10120322https://doi.org/10.3390/jimaging10120322

收到意见书： 2024 年 9 月 30 日 / 修订日期：2024 年 10 月 21 日 / 录用日期： 2024-10-29 / 出版日期：2024 年 12 月 13 日

本文属于特刊 ：Deep Learning in Biomedical Image Segmentation and Classification： Advancements， Challenges and Applications（生物医学图像分割和分类中的深度学习：进展、挑战和应用）https://www.mdpi.com/journal/jimaging/special_issues/DZ7T60VI90

摘要

随着技术的进步，健康科学和人工智能 （AI） 的融合取得了显着进步。现代卫生系统旨在简化患者诊断。然而，挑战在于为患者和医生提供基于 AI 的预防措施，以实现更准确的风险评估。拟议的医疗保健系统旨在将患者、医生、实验室、药房和管理人员的用例及其主要功能集成到一个平台上。拟议的框架还可以处理显微图像、CT 扫描、X 射线和 MRI 来对恶性肿瘤进行分类，并为医生提供一套用于患者风险评估的 AI 预防措施。拟议的框架结合了各种 DCNN 模型，用于识别人体中不同形式的肿瘤和骨折，即大脑、骨骼、肺、肾脏和皮肤，并在 Fined-Tuned Large Language Model （LLM） 的帮助下生成预防措施，即生成式预训练转换器 4 （GPT-4）。有了足够的训练数据，DCNN 就可以学习具有高度代表性的、数据驱动的分层图像特征。选择 GPT-4 模型来生成预防措施，因为它的解释、推理、记忆和先前医学评估和研究的准确性。分类模型通过分类报告（即召回率、精度、F1 分数、支持、准确性以及宏观和加权平均值）和混淆矩阵进行评估，与传统方案相比，它们显示出稳健的性能。

关键词：

卷积神经网络;疾病识别;医疗保健应用程序;图像处理;大型语言模型 （LLM）;恶性肿瘤分类

1. 引言

在过去的几十年里，医疗保健已经从一个古色古香的行业发展成为一个价值数十亿美元的市场。在过去的几年里，数据驱动的决策已经在多个领域实施，如医疗保健、字符识别和水资源 [1,2,3]。随着医疗保健 IT 的快速发展，对医疗数据的质量保证、融资、收集和存储的需求也越来越复杂。在过去的 50 年里，人们遵循先进的工具和策略来收集和存储医疗数据，以跟上现代医疗保健系统的变化和发展。这些重大进步导致现代计算机技术成为医疗保健系统不可或缺的一部分。

医疗保健系统正在经历从 E-health 到 U-health 的持续过渡，其特点是智能医疗保健和其他与技术进步相关的研究工作的出现 [4,5,6]。电子健康是指一种医疗服务，它使用信息技术 （IT） 连接计算机服务器和医疗机构，以改善医疗信息和健康的传递 [7]。另一方面，U-health 平台使用 IT 技术改进医疗系统，为医疗机构、个人和公司等消费者提供医疗和健康相关信息、知识、产品和服务 [8]。此外，它还允许消费者随时随地查看他们的医疗记录和健康状况。智慧医疗是指将医疗健康相关服务与 IT 整合，提供与个人健康和医疗保健相关的健康相关信息、系统、设备和平台 [9]。

尽管医生是医务人员，但在为各自的患者编写个性化健康处方或诊断疾病时仍然存在人为错误的风险和边际。为了理解这个误差幅度，提出了一个框架，允许医生使用 AI 评估模块从实验室调查患者的医疗报告。拟议的框架旨在通过检查医学图像并为特定疾病提供个性化的预防措施来有效地对疾病进行分类。这使医生能够更好地分析患者的健康状况，从而最大限度地减少人为误差。

相应的框架提出了一个用户友好的 U-health 平台，允许患者和医生跟踪患者的病史、相互交流并预约医生。拟议的框架允许患者分析不同医生的个人资料，与药房联系，并在线支付，从而消除患者和医生之间的沟通桥梁，并改善医疗保健系统。该研究旨在通过将医院、实验室和药房整合到一个平台上来提出一种改善医疗保健管理的解决方案，通过最先进的人工智能医疗环境提供全面的医疗保健解决方案。拟议的框架通过识别人体中的多种恶性肿瘤和骨折，利用人工智能进行患者风险评估。AI 模块利用 CT 扫描图像来识别肺癌和肾癌，使用 MR 图像识别脑肿瘤，使用 X 射线图像识别骨折类型，使用显微图像识别皮肤癌。拟议的 U-health 平台还有助于医生更准确地诊断和及时治疗患者。相应的框架允许患者和医生跟踪病史，最大限度地减少沟通差距，并向消费者提供与健康相关的信息、知识和其他服务。

拟议的研究分为不同的部分。第 2 节介绍了提出的类似框架和技术。第 3 节解释了 MediScan 架构，而第 4 节涵盖了研究中使用的 AI 模块。第 5 节解释了模型评估器，而第 6 节讨论了结果并将其与现有模型进行比较。第 7 节显示了拟议框架的结论和未来工作。

2. 文献综述

由于人口增长，医疗保健系统正承受着越来越大的压力，因此患者数量增加。因此，通过将 IT 创新集成到医疗保健基础设施中来建立智能医疗保健系统至关重要。医学图像处理技术对于早期诊断和治疗期间的疾病监测至关重要。拟议的框架集成了不同的医学成像 AI 模型，用于从不同的成像模式（如 CT 扫描、X 射线、显微图像和 MRI）中识别疾病。

由于该疾病的异质性和侵袭性，及时的肺癌诊断和治疗对于提高 5 年生存率至关重要 [10]。最近，为实现 DL 方法对肺癌诊断的诊断准确性进行了系统的荟萃分析和评价，结果表明，这些方法的合并敏感性和特异性分别为 93% 和 68% [11]。研究还表明，深度学习模型也可用于诊断骨折。2018 年，一项研究提议利用深度 CNN 模型从腕部 X 线平片中检测骨折 [12]。多项研究也被用于脑肿瘤的分类。在外科手术前分析基于 MRI 的脑部图像至关重要，推断信息有助于节省时间和减轻疼痛。2020 年，在不同的 BraTS 数据集上使用 VGG-16 和 VGG-19 进行了一项多模态脑肿瘤分类研究 [13]。在人类中，皮肤癌被认为是最致命的疾病之一。黑色素瘤和痣病变具有高度相似性，因此医生通常会花费大量时间检查他们的样本。数据驱动的方法可以帮助医生更有效地对这些病变进行分类。

2023 年，SkinLesNet 问世，这是一个多层深度 CNN 模型，用于使用智能手机图像数据集对包括黑色素瘤在内的三种类型的皮肤病变进行分类 [14]。肾肿瘤也被认为是我们社会中最普遍的疾病之一。它是全球男性和女性中最常见的七种肿瘤类型之一。早期发现肾癌对于降低死亡率和克服肿瘤具有重要意义。与传统诊断相比，人工智能可以节省诊断时间、降低成本、帮助提高测试准确性并减少医生的工作量。2022 年，提出了一项研究，通过采用 2D CNN-6 模型通过 2D CT 扫描图像对人体肾肿瘤进行分类，该模型性能稳定，准确率达到 97% [15]。

表 1 全面概述了过去用于通过医学图像检测人类不同部位恶性肿瘤的基于 AI 的技术。这些研究旨在改善医疗保健行业。尽管过去的研究结果表明人工智能在医学成像中的潜力，但仍有许多研究挑战有待解决 [11,12,13,14]。

Table 1. Classification approaches employed on medical images to yield robust results.

Reference	Year	Damage Area	Imaging	Method	Dataset	Results
[16]	2017	wrist, hand, and ankle Fracture	X-ray and MRI	BVLC Reference CaffeNet network/VGG CNN	Danderyd’s Hospital	Accuracy = 0.83
[17]	2017	Skin lesions	Microscopic Images	CNN	129,450 clinical images	AUC = 91%
[18]	2018	vertebra fracture	CT scan	D-CNN	10,546 sagittal view 2D images from 1432 CT scans	Accuracy = 89.2%
[19]	2019	Lung Nodule	CT scans	Ensemble learner of DCNN model	LIDC-IDRI	Accuracy = 84.0%
[20]	2019	Diaphyseal Femur Fracture	X-ray	CNN	175 real-patients with abnormal and normal circumstances	Accuracy = 90.7%
[21]	2019	Brain Tumor	MRI	CNN	Figshare	Accuracy = 84.19%
[22]	2019	Brain Tumor	MRI	noise removal, edge detection, and contrast enhancement with SVM	Figshare	Accuracy = 86%
[23]	2019	Renal Cancer	four-phasic CECT	Inception	128 ccRCC & 51 RO	Accuracy = 74.4%
[24]	2019	Skin lesions	Microscopic Images	Image segmentation with CNN	ISIC 2017	Accuracy = 0.74
[25]	2020	Lung Nodule	CT scans	TsDN	LIDC-IDRI	Sensitivity = 88.5%
[26]	2020	Femoral neck Fracture	Radiographic images	CNN	calcaneus CT images	Accuracy = 0.793
[27]	2020	Renal Cancer	CT scans	Inception-v3	32 benign and 136 malignant patients data	Accuracy = 88%
[28]	2020	Brain Tumor	MRI	SVM	3 datasets	Accuracy = 90.27%
[29]	2021	Lung Nodule	CT scans	CNN	JSRT	Accuracy = 86.67%
[30]	2021	Renal Cancer	MRI: T2WI T1WI	AlexNET	203 ccRCC & 40 RO	Accuracy = 91%
[31]	2021	Lung Nodule	CT scans	Improved Faster R-CNN and transfer learning	Heilongjiang Provincial Hospital	Accuracy = 89.7%
[32]	2021	Brain Tumor	MRI	Hybrid deep learning model	ISLES2015 and BRATS2015	Accuracy = 96%
[33]	2021	Renal Cancer	MRI: T2WI	ResNet	77 ccRCC & 42 pRCC & 46 chRCC & 34 AML	Accuracy = 60.4%
[34]	2022	Lung Nodule	CT scans	Machine learning	LNDb	Accuracy = 94%
[35]	2022	Mandibular bone fracture	CT scans	CNN	686 patients with mandibular fractures	Accuracy = 90%
[36]	2022	Skin tumor	Microscopic Images	CNN	ISIC Data Archive	Accuracy = 86.65%
[37]	2023	Brain Tumor	MRI	LSTM-CNN	limited Dataset of 253 MR images from Kaggle	Accuracy = 95.54
[38]	2023	Skin Carcinoma	Microscopic Images	XG-boost	PH2 dataset	Accuracy = 94%
[39]	2023	Renal Cancer	CT scans	Inception-ResNet𝑉2V2	US-based hospital and patients of the MIDOR dataset	AUC = 0.918
[40]	2023	Skin lesions	Microscopic Images	Densenet169 CNN	HAM10000 and ISIC	Accuracy = 91.2%

3. 拟议的 AI 支持 U-Health 框架

3.1. 系统建模

由于其健壮、可扩展和安全的架构，Django 框架对医疗保健系统的发展非常有益。Django 提供了许多至关重要的功能，这些功能在保护和管理医疗保健数据方面发挥着关键作用。在 Django 数据库中，数据检索通过对象关系映射 （ORM） 进行。因此，ORM 用于检索患者记录、实验室结果和药物清单。由于 Django 的模块化设计，它可以集成不同的组件，如基于 AI 的医疗工具、实验室仪表板、医生仪表板以及患者和药房仪表板，如图 1 所示。

图 1.系统体系结构的图形方案。

在我们的系统中，医生可以通过创建个人资料来注册自己。然后他们将等待医院确认他们的账户验证。在医院批准他们属于该医院后，医生将被允许开始他们的工作。当患者与医生预约并讨论他的情况时，医生会给患者开一个测试，该测试将自动发送给实验室和患者。实验室控制面板包含与医生和患者关联的测试列表。因为在测试提交后，双方都可以查看测试报告。

Django 应用程序由于其可靠性而主要关注安全性，尤其是在医疗保健行业。保护患者的敏感数据非常重要，这是通过内置的安全功能来实现的，用于 SQL 注入预防、跨站点脚本预防和跨站点请求伪造保护。由于 Django 符合 GDPR 和 HIPAA 标准，它保证系统遵循严格的监管标准，这些标准是保持患者信心所必需的。Django 广泛的管理界面为后端和医疗保健管理提供了强大的管理工具，他们可以根据自己的要求修改管理界面，从而实现高效的用户控制和报告功能。所提出的系统建模涵盖的子技术如表 2 所示。

Table 2. Technological aspects covered by the proposed tools and techniques.

System Aspect	Tools and Techniques
Data Retrieval	ORM
Model Deployment	Deploy AI models using .h5 file format
Web Server Communication	WSGI
AI-Driven Insights	Integrate AI assessment tool on dashboard
Database Management	SQL
Data Protection	GDPR Compliance
User Authentication	Django Auth
Backend Framework	Django
Security Features	Built-in security
Administrative Interface	Admin Interface

 

图 2 说明了拟议框架的用例，概述了参与者与拟议的 U-health 平台的功能之间的关系。

图 2.拟议框架中用例的图形方案。

3.1.1. 患者功能

患者在医院管理系统中起着核心作用。患者可以通过系统通过查看医生的个人资料在线预约，这也增加了患者的信心。要检查医生的可用性，患者可以查看医生的日历，其中包括其他预约。患者还可以阅读医生的个人资料，查看他们的教育和经验记录。

患者可以在不去医院的情况下跟踪他们的健康状况，因为他们可以通过系统访问他们的测试报告。该系统还具有医生和患者之间的聊天功能，患者可以通过系统支持的在线咨询与医生讨论他们的健康问题。为了提高医疗保健服务的可访问性和整体体验，这些功能的集成促进了以患者为中心的方法。

3.1.2. 医生功能

医生在这个系统中起着极其重要的作用。医生创建的每个档案都与他们关联的医院相关联。这将增加医生的真实性。一旦医生直接在他们的系统中收到来自实验室的报告，他们就可以在 AI 评估工具的帮助下分析报告，该工具能够通过医学图像识别患者的恶性肿瘤，并为医生提供适当的风险评估和见解。医生可以为患者开出正确的药物，从而提高诊断过程的整体准确性和效率。

在图 2 中，医生能够查看从实验室收到的患者检测报告并为患者开具处方。另一方面，患者也可以根据从实验室收到的测试报告选择咨询医生。除此之外，医生还能够生成和查看 AI 生成的测试报告，其中包括 AI 识别的疾病和对患者的 AI 评估。

3.1.3. 实验室

实验室对系统的信息流非常重要。医学检查在实验室进行，测试结果必须上传到系统上。测试报告上传到系统后，患者和医生会同时收到。这种对报告的即时访问可以让医生推进诊断和治疗计划。

3.1.4. 药房

药房有责任密切关注系统的药品库存及其销售情况。当医生为患者开药时，它会自动转发到药房。患者将在线购买药物，而无需与药房进行物理互动。药房还可以简化其作，保证患者可以使用在线系统获得处方药，并监控其供应和销售。

3.1.5. AI 评估模块

医生仪表板上提供的 AI 报告评估收费是该系统最重要的功能之一。通过利用深度学习算法，该工具分析患者的测试报告，为医生提供更准确的诊断信息。人工智能系统可以检测疾病，还可以为医生提供预防措施和建议，有助于诊断和为患者开处方。这种人工智能可以帮助医生做出更快的决定和更准确的医疗判断。

4. 建议的 AI 模块架构

4.1. 骨折分类

通过抓取相应类型骨折的 Google 图像来进行数据管理。累积的数据集由 1129 张 X 射线图像组成。类别数为 10 个，对于每个类别的骨折，由 150 多张图像组成，以使数据更加平衡。首先将图像转换为 float32（浮点表示），通过将每个像素值除以 255.0 来对图像应用标准缩放，以确保数据的数值稳定性和均匀性。因此，图像的结果像素值介于 [0， 1] 之间。图像的大小也被调整为票价：256×256 元256×256因为它确保了 AI 模型的统一输入大小，提高了计算效率，并标准化了数据以实现一致的处理。然后将数据以 90：10 的比例分成分别由 1017 张和 112 张图像组成的训练和测试数据集。

对于训练，CNN 模型隐含在给定的数据集上。层和神经元以及其他卷积超参数是通过试错技术选择的;此过程可确保在给定数据集上优化模型并积累最佳结果。所建议模型的超参数如下 表 3 所示。

Table 3. Hyper-parameter configuration of the bone fracture detection model.

Hyper-Parameters	Optimized Values
Activation Function	SoftMax
Loss	Categorical Cross-entropy
Learning Rate	0.0005
Metric	accuracy
Shuffle	True
Batch Size	32
epochs	10
Verbose	0

 图 3 展示了所提出的卷积神经网络（CNN）模型的各层架构。输入层的形状为 256×256，带有三个颜色通道（RGB）。该架构由四个卷积层、批量归一化、带泄露修正线性单元（Leaky ReLU）激活函数以及随机失活（dropout）正则化组成。带泄露修正线性单元（Leaky ReLU）是修正线性单元（ReLU）函数的一种变体，当输入为负数时，它允许存在极小的非零梯度，其数学表达式为：

卷积层分别有 32、64、128 和 256 个过滤器。内核大小为 3 × 3，而步幅 2 用于缩减采样，并应用填充以保持空间维度。卷积层输出大小的数学表达式为：

 其中 i、f、p 和 s 表示输入大小、过滤器大小、填充大小和步幅大小。

图 3.提出的 AI 骨骼骨折检测模型的图形说明。

然后隐含一个扁平层，将卷积输出转换为要馈送到密集层的向量。隐含了具有 100 个单元的单个密集层，然后是批量归一化、泄漏 ReLU 激活和 dropout。该层有助于从扁平化表示中学习更高级别的特征。对于输出，一个具有 10 个单元（或神经元）的密集层被施加，其中 softmax 作为激活函数，以产生每个类的概率：

其中是输入向量 z 的第i 个值K是该向量中元素的数量。

4.2. 肺结节检测

该数据集是通过收集相应类型癌症的多个肺癌图像组成的。累积的数据集包括 995 张不同患者的 CT 扫描图像。图像以 jpg 或 png 格式拍摄，而不是 dcm 格式。数据由四类表示胸癌类型组成，即腺癌、大细胞癌和鳞状细胞癌以及正常肺结节。首先对图像进行处理并转换为 float 值。数据增强技术，即旋转范围、宽度偏移范围、高度偏移范围、剪切范围、缩放范围以及水平和垂直翻转，暗示以增加其多样性，以帮助模型的泛化。ResNet50 模型在数据集的训练期间应用。神经网络架构的超参数配置最适合用于增强模型的性能。表 4 中列出了超参数。

Table 4. Hyper-parameter configuration of the lung cancer detection model.

Hyper-Parameters	Optimized Values
Activation Function	SoftMax
Loss	Categorical Cross-entropy
Optimizer	adam
Patience	5
Metric	accuracy
Weights	imagenet
epochs	100
Verbose	1

图 4 显示了拟议的模型，该模型将预训练的 ResNet50 CNN 与定制的全连接层混合在一起，用于肺癌分类。最初，在 ResNet50 模型的设置中，排除其顶层，并保留 ImageNet 预训练权重及其输入形状。ResNet50 模型中的所有层都是不可训练的，以便在后续训练阶段保留其学习的特征。在此之后，隐含了一个 sequential model 在 ResNet50 base 上附加额外的层。这些层包括用于激活标准化的 BatchNormalization、用于下采样特征图的 MaxPooling2D 以及用于准备数据以输入到密集层以促进特征转换和分类的 Flatten 层。这些自定义层包括不同数量的神经元、ReLU 函数和 dropout 层，这些层被战略性地插入，以通过在训练期间随机丢弃连接来缓解过拟合。ReLU 函数的数学表达式为:

密集层使用 softmax 生成多类分类。该架构有效地结合了 ResNet50 强大的特征提取功能与自定义分类层的灵活性，从而为医学图像分类提供了强大的框架。

图 4.拟议的 AI 肺癌检测模型的图形说明。

4.3. 脑肿瘤分类

数据是通过合并来自 figshare、SARTAJ 和 Br35H 数据集的数据图像创建的。研究中使用的相应数据包含 7023 张人脑 MR 的 MR 图像，分为四类，即神经胶质瘤、脑膜瘤、垂体和无肿瘤。最初处理数据时，将图像大小调整为 （224， 224， 3），表示图像的形状为 （224， 224） 具有三个颜色通道 （RGB）。对于数据增强，数据生成器会生成批量图像数据，以在训练和验证期间通过数据混组来增强模型泛化。批处理大小设置为 16。

ResNet50 模型在模型训练期间对提供的数据进行应用。为了提高模型在给定 MR 图像数据上的性能，通过试错技术调整了超参数（例如神经元、层和其他模型超参数）。这些超参数如表 5 所示。

Table 5. Hyper-parameter configuration of the brain tumor detection model.

Hyper-Parameters	Optimized Values
Activation Function	SoftMax
Loss	Categorical Cross-entropy
Batch size	16
Learning rate	0.001
Optimizer	adamax
Weight	imagenet
Metric	accuracy
Pooling	Maximum
Epochs	30
Shuffle	False
Verbose	1

所提出的模型基于卷积神经网络 （CNN） 架构，专为通过 MR 图像对脑肿瘤进行分类而量身定制，如图 5 所示。它初始化一个在 ImageNet 数据上预先训练的 ResNet50 模型，不包括其全连接层，并将其配置为接受使用 RGB 通道调整为 224 × 224 像素的输入图像。网络的自定义 head 由层组成，用于针对特定分类任务微调模型。应用批量归一化来归一化激活，然后是带有 ReLU 激活和正则化项的密集层，有助于模型泛化。使用的 dropout 层的概率范围为 0.45 到 0.5。最后，具有 softmax 激活的密集输出层生成与数据集中的类数量相对应的类概率。该模型使用学习率为 0.001 的 Adamax 优化器，使用的损失函数是分类交叉熵 （CCE）：

图 5.拟议的 AI 脑肿瘤检测模型的图形说明。

4.4. 皮肤病变分类

用于训练拟议的皮肤癌检测模型的数据集主要来自 ISIC-Archive 数据。这些数据包含一组平衡的良性和恶性皮肤痣的显微镜图像。累积的数据图像是 1800 张聚焦于皮肤斑点的显微图像。将图像数据处理成 float32 以应用标准缩放以确保均匀性和数值稳定性。图像的形状已调整为224×224 元224×224.对于模型训练，将 ResNet50 模型应用于给定的数据集。超参数根据模型的性能进行了微调。所提出的模型的超参数如 表 6 所示。 如图 6 所示，所采用的拟议模型架构以 ResNet50 CNN 为中心。模型的设置包括一个输入形状 （224， 224， 3），高度和宽度为 224 像素，以及一个 RGB 通道。卷积层包含零填充，即p = 0p=0在等式 （ 2） 中。

图 6.拟议的 AI 皮肤癌检测模型的图形说明。

Table 6. Hyper-parameter configuration of the skin cancer detection model.

Hyper-Parameters	Optimized Values
Activation Function	SoftMax
Loss	binary cross-entropy
batch size	64
Learning rate	1 ×10−5×10−5
Optimizer	adam
weight	none
Metric	accuracy
pooling	average
epochs	50
Verbose	2

全局平均池化用于空间维度缩减。该模型适用于具有两个输出类的二元分类。学习率为 1 的 Adam 优化器×10−5×10−5用于优化模型权重。二进制交叉熵 （BCE） 用作损失函数，

4.5. 肾恶性肿瘤分类

这些数据用于拟议的结构，该结构由 PACS 管理，具有不同类别的肾肿瘤、囊肿、正常或结石发现 [41]。冠状和轴向切口均通过腹部和尿路造影的对比和非对比研究选择。每个放射学结果都是从 Dicom 研究中精心挑选的，一次一个，并创建了一批 Dicom 图像。从 Dicom 图像中提取患者数据和元数据，然后将其转换为 jpg 格式。该数据集由 12,446 张独特的 CT 扫描图像组成，分布在四个类别中，其中囊肿类包含 3709 张，正常类有 5077 张，结石类有 1377 张，肿瘤类有 2283 张图像。数据以 90：10 的比例划分用于训练和测试。然后，通过将图像的像素值除以 255 来标准化图像的像素值，得到 [0， 1] 之间的值以标准化输入数据。此外，还使用 TensorFlow 的数据管道功能对数据集进行缓存和预取，以优化数据加载性能并加速训练过程。缓存允许在第一次迭代后将数据集存储在内存或磁盘中，从而减少后续 epoch 的数据加载时间。预取通过将数据预处理与模型训练重叠来进一步提高效率，从而实现更顺畅、更无缝的训练过程。

对于训练，在相应的数据集上实施了 CNN 模型，以有效地识别类别。严格执行超参数调整以优化模型性能。所提出的 CNN 模型的超参数如表 7 所示。

Table 7. Hyper-parameter configuration of the renal malignancy detection model.

Hyper-Parameters	Optimized Values
Activation Function	SoftMax
Loss	Sparse Categorical Cross-entropy
batch size	351
Optimizer	adam
Metric	accuracy
epochs	15
Pooling	Max Pooling

图 7 中描述的模型架构基于专为肾脏恶性肿瘤分类设计的 CNN 模型。它由一个卷积层的输入组成，卷积层具有 32 个大小为 （3， 3） 的内核和 ReLU。输入图像的尺寸应为150×150 元150×150像素和三个颜色通道 （RGB）。然后，池大小为 （2， 2） 的最大池化层提取主要特征并降低计算复杂性。无填充的卷积层输出大小的数学表达式，如等式 （2） 所示。

图 7.拟议的 AI 肾恶性肿瘤检测模型的图形说明。

Flattening 将高维特征图转换为单维向量，以将其与密集层连接起来。第一个由 128 个神经元组成，而最后一个密集层由 4 个神经元组成，这是 softmax 所需的类数。

4.6. GPT-4 注意事项

GPT-4 是一种尖端的 AI 模型，它使自然语言处理取得了突飞猛进的发展。它能够从大量数据中学习并执行各种语言任务，可以改变我们与机器的通信方式。该模型可用于根据用户输入的提示生成文本。拟议的 GPT-4 架构用于生成医疗评估，以帮助医生对其他 AI 模型识别的患者疾病做出更明智的决定。GPT-4 因其在医学评估中的迷人结果而被用于该研究。在 2021 年和 2022 年，在学生和 GPT-4 中进行了三场德国医学执照考试，其中 GPT-4 取得了平均 85% 的准确率，与医学生相比，它分别排名第 92.8、99.5 和 92.6 位 [ 42]。

首先对针对相应疾病生成优化预防措施的提示进行微调，并根据部门对疾病评估的要求进行应用。一旦医生可以访问实验室报告，医生就可以要求 GPT 模型提供 AI 生成的评估。该系统将通过考虑医生的科室并应用适当的模型进行疾病识别和医疗评估来处理医生的请求，如图  8 所示。

图 8.拟议的 GPT-4 模型系统集成的图形说明。

在图 8 中，经过训练的模型首先通过输入的医学图像识别恶性肿瘤。同时，GPT-4 然后为医疗专业人员生成预防措施，同时考虑 AI 模型识别的优化提示和疾病。这是生成针对疾病的预防措施的有效方法，为医生提供更有价值的见解，而不是对每种疾病应用通用提示。

5. 模型性能评估设置

5.1. 准确性

准确率说明了模型在每个训练周期或迭代中的性能。它在 y 轴上根据相关的自变量（例如纪元或迭代）绘制准确率指标，而在 x 轴上显示参数值。该图的趋势揭示了训练 epoch 的准确性变化，这为模型的学习动态、收敛行为和最佳设置提供了有价值的见解。

5.2. 混淆矩阵

混淆矩阵是一个统计表，用于定义和说明人工智能模型的整体效率[ 43]，通过多个统计评估指标来评估分类模型的性能，如下 文第5.3节所述。真阳性 （𝑇𝑃TP） 表示正确识别的正标签。相反，真负 （𝑇𝑁TN） 表示模型准确识别负标签的条件。误报 （𝐹𝑃FP） 表示模型错误地识别了正标签的指定条件。或者，假负 （𝐹𝑁FN） 定义分类错误的负标签，如  表 8 所示。

Table 8. List of classification metrics.

Symbols	Metrics
𝐶𝑐Cc	Classified Correctly
𝐶𝑖𝑐Cic	Classified Incorrectly
𝐹𝑁FN	False Negative
𝐹𝑃FP	False Positive
𝑇𝑁TN	True Negative
𝑇𝑃TP	True Positive

 

5.3. 统计指标

5.3.1. 精度

此评估指标用于衡量正预测类的准确性。模型的高精度通常表示预测的正类更准确。数学公式如等式 （7） [44] 所示]

5.3.3. F1 分数

F1 分数通过考虑精度和召回率的谐波平均值来评估模型的性能。使用调和均值可以惩罚召回率或精度的异常值，使其成为评估模型整体性能的有效指标。由于它依赖于正类或负类，因此它在类之间不对称。在数学上，它可以表示为 [44]

5.3.5. 准确性

准确率表示数据中正确分类样本与总样本的比率。但是，它可能会被误解，尤其是在处理不平等的阶级比例时。在这种情况下，模型可以通过将所有样本分配给 precurrent 类来实现高准确度，即使模型的性能不合格。从数学上讲，[44]：

5.3.6. 宏观平均和加权平均

Macro-average 是平均所有类的平均量度。或者，加权平均为每个类别的贡献分配权重。

6. 结果与讨论

所提出的模型的评估分三个阶段进行，即通过 （i） 准确性、（ii） 混淆矩阵和 （iii） 分类报告。将每个模型的结果与在同一数据集上训练的其他最先进模型和其他传统模型进行比较。

在图 9 中，通过比较医学图像的预测和实际测试标签，通过混淆矩阵评估所提出的 CNN 模型。该模型通过统计参数进行评估，如表 9 中的分类报告所示，它显示的结果比用于识别骨折类型的其他模型（如 MLP）更稳健（准确率：65%）。如图 10 所示，所提出的 CNN 模型准确率为 95%，优于过去用于骨折识别的几种模型，如 BVLC 参考 CaffeNet 网络/VGG CNN（准确率：83%）[16]、D-CNN（准确率：89.2%）[18]、CNN（准确率：90.7%）[20]、CNN（准确率：79.3%）[26] 和 CNN（准确率：90%）[35]。

图 9.骨折识别的混淆矩阵的图形说明;肺肿瘤识别;脑肿瘤检测;皮肤病变识别;和肾恶性肿瘤识别 AI 模型。

图 10.骨折识别精度图的图形说明;肺肿瘤识别;脑肿瘤检测;皮肤病变识别;和肾恶性肿瘤识别 AI 模型。

Table 9. Proposed CNN model’s classification report for bone fracture.

	Precision	Recall	F1 Score	Support
Spiral Fracture	1.00	1.00	1.00	7
Comminuted fracture	0.93	0.93	0.93	15
Avulsion fracture	0.79	1.00	0.88	11
Fracture Dislocation	1.00	1.00	1.00	17
Hairline Fracture	1.00	1.00	1.00	10
Greenstick fracture	1.00	0.00	0.95	10
Impacted fracture	0.88	0.88	0.82	8
Oblique fracture	1.00	0.90	0.95	10
Longitudinal fracture	1.00	0.92	0.96	12
Pathological fracture	1.00	0.92	0.96	12
accuracy			0.95	112
macro avg	0.95	0.94	0.94	112
weighted avg	0.95	0.95	0.95	112

在表 9 中，所提出的 CNN 模型总体上表现出高性能，准确率为 95%。宏观平均 F1 分数为 0.94，表明多个类别的准确率和召回率之间取得了很好的平衡。但是，“Greenstick fracture” 类的召回率值 （0.00） 存在不平衡，这表明尽管具有完美的精度，但模型仍难以正确识别这种类型的裂缝。然而，“Spiral Fracture（螺旋骨折）”、“Fracture Diszézéné”（骨折位臼）和 “Hairline Fracture”（发际线骨折）类别在所有统计指标中都取得了满分。“撕脱骨折”类的精确率较低 （0.79），但用 1.00 的召回率进行补偿，这表明该模型能够识别所有阳性个案，尽管它对一些负面个案进行了错误分类。同时，“Comminuted fracture” 类在所有统计指标上的平衡性能为 0.93。

图 9 显示了通过混淆矩阵进行的拟议 ResNet50 CNN 模型评估，并比较了肺肿瘤 CT 扫描图像的预测和实际测试标签。还评估了用于识别肺癌的透视模型，例如 VGG-16（准确率：75%）、VGG-19（准确率：78%）和 FFNN（准确率：52%），其中提出的 ResNet50 CNN 模型表现出色，准确率为 90%，如图 10 所示。所提出的模型也优于文献中的几种人工智能模型，如 DCNN 模型的集合学习器（准确率：84%）[19]、TsDN（灵敏度：88.5%）[25]、CNN（准确率：86.67%）[29]和更快的 R-CNN 和迁移学习（准确率：89.7%）[31]，它们用于通过不同类型的医学成像来识别肺癌，而总结提出的模型的统计评估如表 10 所示。

Table 10. Proposed ResNet50 model’s classification report for lung cancer.

	Precision	Recall	F1 Score	Support
Adenocarcinoma	0.71	0.95	0.81	120
Large Cell Carcinoma	0.83	0.67	0.74	51
No Lung Tumor	1.00	0.98	0.99	54
Squamous Cell Carcinoma	0.98	0.67	0.79	90
accuracy			0.90	315
macro avg	0.88	0.82	0.83	315
weighted avg	0.86	0.83	0.83	315

在表 10 中，所提出的 ResNet50 模型显示出强大的整体性能，准确率为 90%。该模型可以非常好地识别“无肺肿瘤”类别，精度为 1.00，召回值接近完美 （0.98），表明该模型很少会错误分类非肿瘤病例。“Adenocarcinoma” 类的召回率很高 （0.95），这决定了模型检测到了大多数相应的类案例，但它的精确率值较低 （0.71），表明存在一些误报。另一方面，“大细胞癌”和“鳞状细胞癌”类别的召回分数都较低（各 0.67），这表明该模型难以识别这些肿瘤的所有实例，但精确率值相对较高（即分别为 0.83 和 0.98）。

在图 9 中，通过比较测试 MR 图像中的实际标签和预测标签，通过混淆矩阵评估所提出的 ResNet50 CNN 模型。如表 11 中的分类报告所示，还通过统计参数评估了所提出的模型，并与 VGG-16 （准确率：51%） 进行了比较以识别脑肿瘤，其中它显示了稳健的结果，准确率为 98%，如图 10 所示。所提出的 ResNet50 CNN 模型也优于文献中的其他模型，即 SVM（准确率：90.27%）[28]、CNN（准确率：84.19%）[21]、SVM（准确率：86%）[22]、混合深度学习模型（准确率：96%）[32] 和 LSTM-CNN（准确率：95.54%）[37] 用于识别脑肿瘤。

Table 11. Proposed ResNet50 model’s classification report for brain tumor.

	Precision	Recall	F1 Score	Support
glioma	0.99	0.98	0.98	149
meningioma	0.97	0.94	0.95	143
no Tumor	0.99	1.00	0.99	200
pituitary	0.98	0.99	0.98	164
accuracy			0.98	656
macro avg	0.98	0.98	0.98	656
weighted avg	0.98	0.98	0.98	656

在表 11 中，提出的 ResNet50 模型在 656 个样本中显示出稳健的性能，准确率为 98%。该模型为所有四种肿瘤类别生成了高精度、召回率和 F1 评分值，这表明该模型在识别正确的肿瘤类别方面既准确又有效。该模型还取得了近乎完美的结果，在“无肿瘤”类别中召回了 1.00，这确保了不会预测到假阴性。同时，“神经胶质瘤”和“垂体”类别的 F1 评分为 0.98，显示出非常平衡的精确率和召回率值。然而，“脑膜瘤”类别的召回值略低 （0.94），但仍保持 0.95 的高 F1 分数。

图 9 通过比较皮肤病变测试显微图像中的实际和预测标签，通过混淆矩阵说明了拟议的 ResNet50 CNN 模型评估。拟议的模型还通过表 12 所示的统计参数进行评估，并与 CNN（准确率：70%）在识别皮肤癌方面进行了比较，它显示出卓越的结果，准确率为 97%，如图 10 所示。所提出的 ResNet50 CNN 模型优于其他过去的模型，也可用于识别皮肤癌图像，即 CNN（AUC：91%）[17]、CNN（准确率：74%）[24]、CNN（准确率：86.65%）[36]、XG-boost（准确率：94%）[38] 和 Densenet169 CNN（准确率：91.2%）[40]。

Table 12. Proposed ResNet50 model’s classification report for skin lesions.

	Precision	Recall	F1 Score	Support
Benign	0.83	0.88	0.85	360
Malignant	0.84	0.78	0.81	300
micro avg	0.83	0.83	0.83	660
macro avg	0.83	0.83	0.83	660
weighted avg	0.83	0.83	0.83	660

在表 12 中，所提出的 ResNet50 模型显示了平衡的性能，总体准确率为 83%，这反映在微观、宏观和加权平均值中。该模型检测“良性”类的召回率 （0.88） 略高于精确率 （0.83） 值，这意味着该模型可能会成功识别大多数良性病例，尽管它偶尔会将某些实例错误分类为恶性。同时，对于 “Malignant” 类，精确率值 （0.84） 高于召回值 （0.78），这表明该模型在预测真正的恶性病例方面是稳健的，但它遗漏了一些实例。

图 9 显示了使用混淆矩阵对拟议的 CNN 模型的评估，该混淆矩阵比较了肾脏恶性肿瘤测试 CT 扫描图像中的实际标签和预测标签。如表 13 所示，还使用统计评估器对所提出的模型进行了评估，并与 VGG-16 （准确性：96%） 和 MobileNet （准确性：98%） 等其他模型在识别肾脏恶性肿瘤方面进行了比较。所提出的 CNN 模型表现出卓越的性能，准确率高达 99%，如图 10 所示。此外，所提出的CNN模型优于以前用于识别肾脏恶性肿瘤的模型，如Inception-v3（准确率：88%）[27]、ResNet（准确率：60.4%）[33]、Inception（准确率：74.4%）[23]、AlexNET（准确率：91%）[30]和Inception-ResNet𝑉2V2（AUC：91.8%）[39]。

Table 13. Proposed CNN model’s classification report for renal malignancy.

	Precision	Recall	F1 Score	Support
Cyst	0.99	0.99	0.99	737
Normal	0.99	0.99	0.99	1001
Stone	0.99	0.99	0.99	280
Tumor	0.99	0.99	0.99	471
accuracy			0.99	2489
macro avg	0.99	0.99	0.99	2489
weighted avg	0.99	0.99	0.99	2489

在表 13 中，所提出的 CNN 模型表现出出色的性能，在所有四个类别中都具有近乎完美的精度、召回率和 F1 分数值为 0.99，总体准确率为 99%。对模型的评估表明，该模型在正确预测“囊肿”、“正常”、“结石”和“肿瘤”类别方面非常有效，而没有任何明显的假阳性或假阴性问题。宏观平均值和加权平均值的一致值进一步证实，无论类分布如何，所提出的模型都表现稳健。

7. 结论

拟议的 U-health 系统旨在通过将患者、医生、实验室、药房和管理人员整合到一个平台上来实现医疗保健的数字化，从而实现患者与医生的互动、实验室报告生成和在线药物购买。该系统的核心是一个基于 AI 的医疗保健组件，它处理 X 射线、CT 扫描、MRI 和显微图像等医学图像以识别疾病或恶性肿瘤，为医生提供 AI 生成的预防措施。它采用多个 DCNN 模型来检测体内的各种肿瘤和骨折（例如，大脑、骨骼、肺、肾脏、皮肤），并使用微调的 GPT-4 生成详细的医学评估。AI 模型通过准确性图、分类报告和混淆矩阵显示出强大的性能，选择 GPT-4 是因为其在医学解释、推理、记忆和准确性方面的卓越能力。

该框架的局限性在于无法整合与医学领域相关的其他疾病（如病理学、心脏病学、血液学等）的 AI 模型，以准确评估和诊断患者的疾病。AI 模块还可以考虑其他类型的医疗数据，例如通用数据以及患者历史和个人数据，以更有效地识别和生成个性化的预防措施，从而帮助医疗专业人员更准确地诊断疾病。

为了将来考虑，该框架可以包括在识别疾病或为患者生成预防措施方面具有更准确结果的模型。拟议的框架还可以通过患者反馈和便利性进行改进，以实现有效诊断并改善拟议的 U-health 平台的用户体验。由于肿瘤的生长会使患者面临巨大风险，因此 AI 模型也可用于通过分析患者最后一次 CT 扫描或 MR 图像来估计患者体内肿瘤的进展。这可以为医生和外科医生提供诊断或手术各自患者体内肿瘤的宝贵见解。

References

1. Ahmed, R.; Bibi, M.; Syed, S. Improving Heart Disease Prediction Accuracy Using a Hybrid Machine Learning Approach: A Comparative study of SVM and KNN Algorithms. Int. J. Comput. Inf. Manuf. IJCIM 2023, 3, 49–54. [Google Scholar] [CrossRef]
2. Syed, S.; Khan, K.; Khan, M.; Khan, R.U.; Aloraini, A. Recognition of inscribed cursive Pashtu numeral through optimized deep learning. PeerJ Comput. Sci. 2024, 10, e2124. [Google Scholar] [CrossRef] [PubMed]
3. Syed, S.; Syed, Z.; Mahmood, P.; Haider, S.; Khan, F.; Syed, M.T.; Syed, S. Application of coupling machine learning techniques and linear Bias scaling for optimizing 10-daily flow simulations, Swat River Basin. Water Pract. Technol. 2023, 18, 1343–1356. [Google Scholar] [CrossRef]
4. Baker, S.B.; Xiang, W.; Atkinson, I. Internet of Things for Smart Healthcare: Technologies, Challenges, and Opportunities. IEEE Access 2017, 5, 26521–26544. [Google Scholar] [CrossRef]
5. Tian, S.; Yang, W.; Grange, J.M.L.; Wang, P.; Huang, W.; Ye, Z. Smart healthcare: Making medical care more intelligent. Glob. Health J. 2019, 3, 62–65. [Google Scholar] [CrossRef]
6. Zhu, H.; Wu, C.K.; Koo, C.H.; Tsang, Y.T.; Liu, Y.; Chi, H.R.; Tsang, K.F. Smart Healthcare in the Era of Internet-of-Things. IEEE Consum. Electron. Mag. 2019, 8, 26–30. [Google Scholar] [CrossRef]
7. Rohm, B.W.T.; Rohm, C.E.T., Jr. A vision of the e-healthcare era. Int. J. Healthc. Technol. Manag. 2002, 4, 87. [Google Scholar] [CrossRef]
8. Touati, F.; Tabish, R. U-Healthcare System: State-of-the-Art Review and Challenges. J. Med. Syst. 2013, 37, 9949. [Google Scholar] [CrossRef]
9. Yin, H.; Akmandor, A.O.; Mosenia, A.; Jha, N.K. Smart Healthcare. Found. Trends® Electron. Des. Autom. 2018, 12, 401–466. [Google Scholar] [CrossRef]
10. Chiang, T.-A.; Chen, P.H.; Wu, P.F.; Wang, T.N.; Chang, P.Y.; Ko, A.M.S.; Huang, M.S.; Ko, Y.C. Important prognostic factors for the long-term survival of lung cancer subjects in Taiwan. BMC Cancer 2008, 8, 324. [Google Scholar] [CrossRef]
11. Forte, G.C.; Altmayer, S.; Silva, R.F.; Stefani, M.T.; Libermann, L.L.; Cavion, C.C.; Youssef, A.; Forghani, R.; King, J.; Mohamed, T.L.; et al. Deep Learning Algorithms for Diagnosis of Lung Cancer: A Systematic Review and Meta-Analysis. Cancers 2022, 14, 3856. [Google Scholar] [CrossRef] [PubMed]
12. Kim, D.H.; MacKinnon, T. Artificial intelligence in fracture detection: Transfer learning from deep convolutional neural networks. Clin. Radiol. 2018, 73, 439–445. [Google Scholar] [CrossRef] [PubMed]
13. Khan, M.A.; Ashraf, I.; Alhaisoni, M.; Damaševičius, R.; Scherer, R.; Rehman, A.; Bukhari, S.A.C. Multimodal Brain Tumor Classification Using Deep Learning and Robust Feature Selection: A Machine Learning Application for Radiologists. Diagnostics 2020, 10, 565. [Google Scholar] [CrossRef] [PubMed]
14. Azeem, M.; Kiani, K.; Mansouri, T.; Topping, N. SkinLesNet: Classification of Skin Lesions and Detection of Melanoma Cancer Using a Novel Multi-Layer Deep Convolutional Neural Network. Cancers 2023, 16, 108. [Google Scholar] [CrossRef] [PubMed]
15. Alzu’bi, D.; Abdullah, M.; Hmeidi, I.; AlAzab, R.; Gharaibeh, M.; El-Heis, M.; Almotairi, K.H.; Forestiero, A.; Hussein, A.M.; Abualigah, L. Kidney Tumor Detection and Classification Based on Deep Learning Approaches: A New Dataset in CT Scans. J. Healthc. Eng. 2022, 22, 3861161. [Google Scholar] [CrossRef]
16. Olczak, J.; Fahlberg, N.; Maki, A.; Razavian, A.S.; Jilert, A.; Stark, A.; Sköldenberg, O.; Gordon, M. Artificial intelligence for analyzing orthopedic trauma radiographs: Deep learning algorithms—Are they on par with humans for diagnosing fractures? Acta Orthop. 2017, 88, 581–586. [Google Scholar] [CrossRef]
17. Esteva, A.; Kuprel, B.; Novoa, R.A.; Ko, J.; Swetter, S.M.; Blau, H.M.; Thrun, S. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017, 542, 115–118. [Google Scholar] [CrossRef]
18. Tomita, N.; Cheung, Y.Y.; Hassanpour, S. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. Comput. Biol. Med. 2018, 98, 8–15. [Google Scholar] [CrossRef]
19. Zhang, B.; Qi, S.; Monkam, P.; Li, C.; Yang, F.; Yao, Y.D.; Qian, W. Ensemble Learners of Multiple Deep CNNs for Pulmonary Nodules Classification Using CT Images. IEEE Access 2019, 7, 110358–110371. [Google Scholar] [CrossRef]
20. Balaji, G.N.; Subashini, T.S.; Madhavi, P.; Bhavani, C.H.; Manikandarajan, A. Computer-Aided Detection and Diagnosis of Diaphyseal Femur Fracture. In Smart Intelligent Computing and Applications; Springer: Singapore, 2020; Volume 159, pp. 549–559. [Google Scholar] [CrossRef]
21. Abiwinanda, N.; Hanif, M.; Hesaputra, S.T.; Handayani, A.; Mengko, T.R. Brain Tumor Classification Using Convolutional Neural Network. In World Congress on Medical Physics and Biomedical Engineering 2018; Springer Nature: Singapore, 2019; Volume 68/1, pp. 183–189. [Google Scholar] [CrossRef]
22. Tahir, B.; Iqbal, S.; Usman Ghani Khan, M.; Saba, T.; Mehmood, Z.; Anjum, A.; Mahmood, T. Feature enhancement framework for brain tumor segmentation and classification. Microsc. Res. Tech. 2019, 82, 803–811. [Google Scholar] [CrossRef]
23. Coy, H.; Hsieh, K.; Wu, W.; Nagarajan, M.B.; Young, J.R.; Douek, M.L.; Brown, M.S.; Scalzo, F.; Raman, S.S. Deep learning and radiomics: The utility of Google TensorFlowTM Inception in classifying clear cell renal cell carcinoma and oncocytoma on multiphasic CT. Abdom. Radiol. 2019, 44, 2009–2020. [Google Scholar] [CrossRef] [PubMed]
24. Ottom, M.A. Convolutional Neural Network for Diagnosing Skin Cancer. Int. J. Adv. Comput. Sci. Appl. 2019, 10, 7. [Google Scholar] [CrossRef]
25. Zia, M.B.; Zhao, J.J.; Ning, X. Detection and Classification of Lung Nodule in Diagnostic CT: A TsDN method based on Improved 3D-Faster R-CNN and Multi-Scale Multi-Crop Convolutional Neural Network. Int. J. Hybrid. Inf. Technol. 2020, 13, 45–56. [Google Scholar] [CrossRef]
26. Pranata, Y.D.; Wang, K.C.; Wang, J.C.; Idram, I.; Lai, J.Y.; Liu, J.W.; Hsieh, I.H. Deep learning and SURF for automated classification and detection of calcaneus fractures in CT images. Comput. Methods Programs Biomed. 2019, 171, 27–37. [Google Scholar] [CrossRef]
27. Tanaka, T.; Huang, Y.; Marukawa, Y.; Tsuboi, Y.; Masaoka, Y.; Kojima, K.; Iguchi, T.; Hiraki, T.; Gobara, H.; Yanai, H.; et al. Differentiation of Small (≤4 cm) Renal Masses on Multiphase Contrast-Enhanced CT by Deep Learning. Am. J. Roentgenol. 2020, 214, 605–612. [Google Scholar] [CrossRef]
28. Ayadi, W.; Charfi, I.; Elhamzi, W.; Atri, M. Brain tumor classification based on hybrid approach. Vis. Comput. 2022, 38, 107–117. [Google Scholar] [CrossRef]
29. Thamilarasi, V.; Roselin, R. Automatic Classification and Accuracy by Deep Learning Using CNN Methods in Lung Chest X-Ray Images. IOP Conf. Ser. Mater. Sci. Eng. 2021, 1055, 012099. [Google Scholar] [CrossRef]
30. Nikpanah, M.; Xu, Z.; Jin, D.; Farhadi, F.; Saboury, B.; Ball, M.W.; Gautam, R.; Merino, M.J.; Wood, B.J.; Turkbey, B.; et al. A deep-learning based artificial intelligence (AI) approach for differentiation of clear cell renal cell carcinoma from oncocytoma on multi-phasic MRI. Clin. Imaging 2021, 77, 291–298. [Google Scholar] [CrossRef]
31. Li, S.; Liu, D. Automated classification of solitary pulmonary nodules using convolutional neural network based on transfer learning strategy. J. Mech. Med. Biol. 2021, 21, 2140002. [Google Scholar] [CrossRef]
32. Kadry, S.; Nam, Y.; Rauf, H.T.; Rajinikanth, V.; Lawal, I.A. Automated Detection of Brain Abnormality using Deep-Learning-Scheme: A Study. In Proceedings of the 2021 Seventh International Conference on Bio Signals, Images, and Instrumentation (ICBSII), Chennai, India, 25–27 March 2021; pp. 1–5. [Google Scholar] [CrossRef]
33. Zheng, Y.; Wang, S.; Chen, Y.; Du, H. Deep learning with a convolutional neural network model to differentiate renal parenchymal tumors: A preliminary study. Abdom. Radiol. 2021, 46, 3260–3268. [Google Scholar] [CrossRef]
34. Kawathekar, I.D.; Areeckal, A.S. Performance analysis of texture characterization techniques for lung nodule classification. J. Phys. Conf. Ser. 2022, 2161, 012045. [Google Scholar] [CrossRef]
35. Wang, X.; Xu, Z.; Tong, Y.; Xia, L.; Jie, B.; Ding, P.; Bai, H.; Zhang, Y.; He, Y. Detection and classification of mandibular fracture on CT scan using deep convolutional neural network. Clin. Oral Investig. 2022, 26, 4593–4601. [Google Scholar] [CrossRef] [PubMed]
36. Agarwal, K.; Singh, T. Classification of Skin Cancer Images using Convolutional Neural Networks. arXiv 2022, arXiv:2202.00678. [Google Scholar]
37. Syed, S.; Khan, M.; Ahmed, R.; Talha, S.M. Intracranial Tumor Detection using Magnetic Resonance Imaging and Deep Learning. Int. J. Emerg. Multidiscip. Comput. Sci. Artif. Intell. 2023, 2, 1–15. [Google Scholar] [CrossRef]
38. Khater, T.; Ansari, S.; Mahmoud, S.; Hussain, A.; Tawfik, H. Skin cancer classification using explainable artificial intelligence on pre-extracted image features. Intell. Syst. Appl. 2023, 20, 200275. [Google Scholar] [CrossRef]
39. Klontzas, M.E.; Kalarakis, G.; Koltsakis, E.; Papathomas, T.; Karantanas, A.H.; Tzortzakakis, A. Convolutional neural networks for the differentiation between benign and malignant renal tumors with a multicenter international computed tomography dataset. Insights Imaging 2024, 15, 26. [Google Scholar] [CrossRef]
40. Gururaj, H.L.; Manju, N.; Nagarjun, A.; Aradhya, V.N.M.; Flammini, F. DeepSkin: A Deep Learning Approach for Skin Cancer Classification. IEEE Access 2023, 11, 50205–50214. [Google Scholar] [CrossRef]
41. Islam, M.N.; Hasan, M.; Hossain, M.K.; Alam, M.G.R.; Uddin, M.Z.; Soylu, A. Vision transformer and explainable transfer learning models for auto detection of kidney cyst, stone and tumor from CT-radiography. Sci. Rep. 2022, 12, 11440. [Google Scholar] [CrossRef]
42. Meyer, A.; Riese, J.; Streichert, T. Comparison of the Performance of GPT-3.5 and GPT-4 with That of Medical Students on the Written German Medical Licensing Examination: Observational Study. JMIR Med. Educ. 2024, 10, e50965. [Google Scholar] [CrossRef]
43. Singh, P.; Singh, N.; Singh, K.K.; Singh, A. Diagnosing of Disease Using Machine Learning. In Machine Learning and the Internet of Medical Things in Healthcare; Elsevier: Amsterdam, The Netherlands, 2021; pp. 89–111. [Google Scholar] [CrossRef]
44. Hicks, S.A.; Strümke, I.; Thambawita, V.; Hammou, M.; Riegler, M.A.; Halvorsen, P.; Parasa, S. On evaluation metrics for medical applications of artificial intelligence. Sci. Rep. 2022, 12, 5979. [Google Scholar] [CrossRef]

8.交流与联系

个人首页文章有联系方式，关注不迷路，谢谢您的阅读，也希望您有所收获！代码采用Python+Django框架复现文章思路。
数据集下载地址：https://prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/5kbjrgsncf-3.ziphttps://prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/5kbjrgsncf-3.zip