基于深度学习的肺癌检测

肺癌是癌症相关死亡的第二大原因，主要与长期吸烟有关（占病例的85%）。令人惊讶的是，10-15%的病例发生在非吸烟者中。2020年，全球约有200万人受到影响，导致150万人死亡。其生存率约为20%，落后于其他癌症，部分原因是症状表现较晚。这需要早期和准确的检测以实现有效治疗。计算准确率、精确率、召回率（敏感性）和F1分数等性能指标，以提供对每个模型能力的全面评估。通过比较这些指标，本研究提供了对每种方法优势和局限性的见解，为肺癌检测技术的进步做出贡献。在本文中，我们将讨论使用不同深度学习算法进行肺癌检测的方法——探索了InceptionV3、MobileNetV2、VGG16、ResNet152在肺癌病例分类中的有效性。我们提出的模型算法基于一个16层的CNN模型架构。我们提出的模型展示了几个关键亮点，这些亮点构成了其新颖性。通过整合多种层类型，如卷积层、池化层、展平层、Dropout层、全连接层和稠密层，该模型利用了每一层的优势来增强其预测能力。我们提出的模型的新颖性在于其准确率随着训练轮数的增加而持续提高。我们已经测试了模型在最多30个训练轮数下的性能。我们提出的模型还克服了过拟合问题。