基于Transformer特征提取与优化深度神经网络的胃癌检测模型研究及其诊断性能提升验证

　　本研究针对胃癌病理图像人工分析耗时且易出错的问题，提出一种融合多阶段人工智能的自动诊断方案。团队采用11种前沿视觉Transformer模型进行特征提取，结合ANOVA F-Test、RFE和Ridge回归等特征选择方法构建联合特征集，并通过粒子群算法优化深度神经网络分类器。最终在160×160分辨率下取得97.96%准确率、96.95%灵敏度及98.61%特异性，证实Transformer特征提取与智能优化策略能显著提升胃癌诊断效能。

　　

胃癌作为全球高发疾病，早期诊断对治疗成功率具有决定性影响。针对病理切片人工评估存在主观误差与效率瓶颈的问题，本研究开发了多阶段人工智能驱动解决方案：首先采用11种先进视觉Transformer（包括DPT、BEiT等模型）进行高维特征提取；继而通过方差分析F检验（ANOVA F-Test）、递归特征消除（RFE）和岭回归（Ridge regression）筛选显著性特征，并构建交集与并集特征子集；最后利用粒子群优化算法（Particle Swarm Optimization）调参的深度神经网络实现分类建模。在图像分辨率160×160像素下，DPT模型与特征并集策略组合获得最优性能（准确率97.96%，灵敏度96.95%，特异性98.61%）。值得注意的是，120×120分辨率下DPT模型仍保持97.21%准确率，80×80分辨率时BEiT模型达到95.78%准确率。该研究验证了Transformer架构在医学图像特征提取中的优越性，并为人工智能辅助胃癌病理诊断提供了可解释的技术路径。