相关实验视频
Updated: Jul 27, 2025
06:52
Reconstruct Human Retinoblastoma In Vitro
Published on: October 11, 2022
1.4K
可解释的AI用于视网母细胞瘤诊断:用LIME和SHAP解释深度学习模型
Bader Aldughayfiq1, Farzeen Ashfaq2, N Z Jhanjhi2
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
这项研究使用可解释AI (XAI) 增强了视网膜母细胞瘤 (RB) 检测. 局部可解释模型不可知解释 (LIME) 和夏普利添加式解释 (SHAP) 在深度学习模型中为诊断这种儿童眼部癌症提供了透明度.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 视网母细胞瘤 (RB) 是一种侵袭性的儿童眼癌,需要早期检测.
- 深度学习模型对RB检测有希望,但往往缺乏透明度.
- 可解释性AI (XAI) 技术可以解决这些模型的"黑子"性质.
研究的目的:
- 应用LIME和SHAP来解释深度学习模型的视网膜母细胞瘤检测.
- 提高用于诊断儿童眼癌的AI模型的可解释性.
- 评估深度学习和XAI的联合潜力,以改善RB诊断.
主要方法:
- 开发了一个基于InceptionV3的深度学习模型,使用800张 fundus图像 (400张RB,400张非RB).
- 员工将学习转移到一个精选的数据集上的模型培训中.
- 应用LIME和SHAP来生成模型预测的本地和全球解释.
主要成果:
- LIME和SHAP成功地确定了影响视网膜母细胞瘤检测的关键图像区域和特征.
- 带有空间注意力的InceptionV3模型在测试组中实现了97%的准确性.
- 解释为深度学习模型的决策过程提供了宝贵的见解.
结论:
- 像LIME和SHAP这样的XAI技术显著提高了用于视网膜母细胞瘤诊断的深度学习模型的透明度.
- 将深度学习与XAI结合起来,为提高儿童眼癌检测的准确性和可靠性提供了一个有希望的方法.
- 这项工作突出了在关键医疗应用中更易于解释的人工智能的潜力.
关键词:
开始V3 开始V3在 LIME 时代,这就是 SHAP SHAP 的意思.深度学习是一种深度学习.可以解释的人工智能AI医疗图像分析分析视网膜母细胞瘤 (Retinoblastoma) 是一种转移学习转移学习更多相关视频
06:16Author Spotlight: Unraveling the Pathogenesis of Age-Related Macular Degeneration and Discovering Potential Therapies
Published on: July 28, 2023
2.6K
07:59Efficient and Consistent Generation of Retinal Pigment Epithelium/Choroid Flatmounts from Human Eyes for Histological Analysis
Published on: October 28, 2022
2.8K
