В последние годы технологии глубокого обучения сделали огромный шаг вперед в области медицинской визуализации, особенно в обнаружении гастроинтестинальных полипов. Однако, несмотря на достижения, остаются проблемы, такие как сложность идентификации полипов и их разнообразие по размеру. В ответ на эти вызовы была разработана новая модель под названием Multi-Channel Hierarchical Path Aggregation Network (MCH-PAN).
MCH-PAN использует несколько ключевых компонентов, таких как Scale-Guided Aggregator (SGA) и Hierarchical Attention Integrator (HAI), что позволяет модели эффективно интегрировать информацию с разных масштабов и улучшать точность обнаружения. Эти механизмы помогают модели лучше адаптироваться к многоуровневым и многоразмерным задачам, что особенно важно в клинической практике.
Эксперименты показали, что MCH-PAN превосходит существующие модели по ключевым метрикам, включая точность и полноту, достигая F1-оценки 0.863 и mAP 0.902. Это делает модель надежным инструментом для врачей, позволяя им быстрее и точнее идентифицировать полипы во время эндоскопии.
С внедрением MCH-PAN в клиническую практику можно ожидать значительного повышения качества диагностики и снижения вероятности ошибок, что в конечном итоге улучшит результаты лечения пациентов.