\(D{S}^2L{C}^3Net\): 一种基于深度神经网络与基于正态分布的Gray Wolf优化算法融合的肺癌结肠癌分类决策支持系统

《ACM Transactions on Asian and Low-Resource Language Information Processing》：\(D{S}^2L{C}^3Net\): A Decision Support System for Lung Colon Cancer Classification using Fusion of Deep Neural Networks and Normal Distribution based Gray Wolf Optimization

肺癌和结直肠癌早期诊断困难，传统方法成本高耗时长。本文提出基于ResNet50和EfficientNetB0的微调模型，通过融合特征、灰狼优化及五分类器软投票，在LC25000数据集上实现98.73%准确率，预测时间减少19.14%。

　　

摘要

肺癌和结直肠癌（LC）是威胁生命且发展迅速的癌症。根据世界卫生组织（WHO）的数据，每年约有414万新诊断的肺癌和结直肠癌病例，导致270万人死亡。国际癌症研究机构（IARC）报告称，2020年至2040年间全球结直肠癌病例将增加超过300万例。早期诊断对治疗非常有帮助，可以挽救宝贵的生命。传统的诊断方法费用高昂且耗时较长。在这项研究中，我们提出了一个准确高效的肺癌和结直肠癌分类模型。我们使用了两种知名的预训练深度学习模型——ResNet50和EfficientNetB0，并通过增加或减少层来对这两个模型进行微调。微调完成后，我们初始化了基于手动试验的超参数。随后进行了深度迁移学习，得到了训练好的模型。从这两个模型中提取了两种不同的特征向量，并采用基于优先级的串联方法将它们融合在一起。为了进一步提高提取特征的性能，我们应用了基于正态分布的Gray Wolf优化算法，得到了最佳特征作为五个分类器的输入。这五个分类器的输出通过软投票技术结合，生成最终预测结果。实验结果表明，所提出的架构在LC25000数据集上的准确率达到了98.73%，同时预测时间缩短了19.14%。与现有技术相比，该方法的性能得到了提升。