通过对目前现有的肺癌检测技术研究,发现大部分研究人员主要针对肺癌(Computed tomography,CT)影像进行研究,忽略了电子病历所隐藏的肺癌信息,本文提出一种基于图像与文本相结合的肺癌分类方法,从现有的基于深度学习的肺癌图像分类出发,引入了电子病历信息,使用Multi-head attention以及(Bi-directional long short-term memory,Bi-LSTM)对文本建模.实验结果证明,将电子病历信息引入到图像分类模型之后,对模型的性能有进一步的提升.相对仅使用电子病历进行预测,准确率提升了大约14％,精确率大约提升了15％,召回率提升了14％.相对仅使用肺癌CT影像来进行预测,准确率提升了3.2％,精确率提升了4％,召回率提升了4％.

深度学习;神经网络;多头注意力机制;bi-LSTM;肺癌

中国科学院沈阳计算技术研究所 沈阳110168;中国医科大学附属第四医院 沈阳110032;辽宁省医疗器械检验检测院 沈阳110000

[1]吕晴;赵奎;曹吉龙;魏景峰-.基于文本与图像的肺疾病研究与预测)[J].自动化学报,2022(02):531-538

肺疾病,疾病研究,Computed,tomography,电子病历,分类方法,图像分类,Multi,head,attention,Bi,directional,long,short,term,memory,分类模型,准确率提升,精确率,召回率,多头注意力机制,bi

0.364645