基于文本与图像的肺疾病研究与预测
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
48
水体污染控制与治理科技重大专项2012ZX07505004
2022-03-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
531-538