可解释的CAD系统用于分类急性淋巴细胞白血病基于坚固的白细胞细分系统
Jose Luis Diaz Resendiz1, Volodymyr Ponomaryov1, Rogelio Reyes Reyes1
1Instituto Politecnico Nacional, Escuela Superior de Ingenieria Mecanica y Electrica-Culhuacan, Av. Sta. Ana 1000, Mexico City 04440, Mexico.
Cancers
|July 14, 2023
概括
这项研究引入了用于白血病诊断的可解释AI (XAI) 系统,提高了计算机辅助诊断 (CAD) 的可靠性. 该方法使用白细胞 (WBC) 细分来提高深度学习的准确性,并为诊断提供视觉解释.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 白血病带来了严重的健康挑战,死亡率高.
- 计算机辅助诊断 (CAD) 显示出有希望的结果,但面临的可靠性问题是由于计算机辅助诊断 (CAD) 技术的发展.
- 黑盒子问题 黑盒子问题
- 在深度学习模型中.
研究的目的:
- 开发一种可解释的AI (XAI) 白血病分类方法.
- 解决医学诊断中深度学习的不可靠性问题.
- 为了提高白血病的CAD系统,提高解释性和准确性.
主要方法:
- 整合白细胞 (WBC) 核细分作为一个硬注意力机制.
- 使用图像处理和U-Net技术的组合进行WBC细分.
- 使用经过修改的ResNet-50模型与经过测试的MLP分类器,激活功能和子类型分类培训计划.
- 整合视觉解释性和特征空间分析以进行可解释的分类.
主要成果:
- 在六个数据库中为分割算法实现了0.91的IoU交叉点.
- 在白血病亚型测试中,深度学习分类器的准确度达到99.9%.
- 与非分割图像相比,通过Grad CAM和聚类空间分析确认了对细分图像的改进网络重点.
结论:
- 拟议的可解释AI (XAI) 系统提高了白血病分类的准确性和可靠性.
- 视觉解释性和特征分析为诊断过程提供了可解释的见解.
- 这种CAD系统有可能帮助医生诊断白血病,最终改善患者的治疗结果.
更多相关视频
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.6K
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
14.0K
