基于物联网和深度学习的智能医疗框架，用于甲状腺癌检测

《ACM Transactions on Internet Technology》：An IoT and Deep Learning-Based Smart Healthcare Framework for Thyroid Cancer Detection

甲状腺结节检测的物联网集成学习框架研究。提出融合DeiT、Mixer-MLP和Swin Transformer的 ensemble 模型，通过mRMR特征选择和双优化算法实现高精度诊断（准确率92.83%），重点解决特异性不足导致的假阳性问题。

　　

摘要

随着医疗物联网（Internet of Medical Things）及相关机器学习、深度学习和人工智能技术的发展，医疗保健领域迎来了诸多可能性。这些技术具有广泛的应用前景：当常规医疗设备和传感器连接到互联网后，可以收集重要数据；深度学习和人工智能算法利用这些数据来分析症状和模式，从而实现远程医疗。全球有大量人群受到甲状腺疾病的影响。传统方法基于超声的甲状腺结节检测方法对专业人员的依赖性较高。因此，需要寻找替代方案来解决这一问题。为了便于早期发现甲状腺疾病，本研究旨在提出一个基于物联网（IoT）的集成学习框架。在所提出的集成模型中，使用了三个预训练模型（DeiT、Mixer-MLP和Swin Transformer）进行特征提取，并采用mRMR技术进行相关特征选择。总共训练了24个机器学习模型，通过改进的Jaya优化算法和Coronavirus Herd Immunity优化算法实现了加权平均集成学习。采用改进的Jaya优化算法的集成模型取得了优异的结果，其准确率、精确度、敏感性、特异性、F2分数和ROC-AUC分数分别为92.83%、87.76%、97.66%、88.89%、0.9551和0.9357。本研究的主要目标是提高模型的特异性，因为较低的特异性会导致较高的假阳性率，这可能会增加患者的焦虑情绪并对其心理造成负面影响。所提出的集成模型在性能上超越了现有的先进技术，能够为医学专家提供有力支持。