通过热图生成器提高放射学深度学习模型的疾病分类性能和可解释性

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 放射学和诊断工具 放射学和诊断工具
• 医疗保健中的机器学习

背景情况:

• 深度学习 (AI) 在放射学中越来越多地使用,需要对临床信任进行解释.
• 现有的AI模型需要验证诊断准确性和透明度.
• 放射科医生的眼神数据为诊断决策过程提供了洞察力.

研究的目的:

• 通过使用U-Net架构,提高胸部放射图的疾病分类性能.
• 通过生成与放射学家重点一致的热图来提高AI模型的可解释性.
• 调查将热图生成器和目光数据纳入人工智能培训的影响.

主要方法:

• 在胸部放射图数据集上使用U-Net架构进行了三组实验.
• 在培训期间内置热图生成器,以增强模型焦点可视化.
• 利用多模式培训,放射科医生与图像数据一起使用眼睛凝视坐标.

主要成果:

• 性能最好的方法实现了0.913的接收器运行特征曲线 (AUC) 下面的面积 (95% CI [0.860,0.966]).
• 在分类"肺炎" (AUC 0.859) 和"充血性心力衰竭" (CHF) (AUC 0.962) 中观察到显著的改善,解决了基线模型的弱点.
• 生成的热图有效地突出了关键的图像区域进行分类,并显示了与放射科医生眼神数据的改进对齐.

结论:

• 将热图生成器和眼神信息集成到人工智能培训中,同时可以提高疾病分类的准确性.
• 拟议的方法提供可解释的AI视觉图像,与专家放射科医生的注意力相关联.
• 这种方法增强了临床医生的信任和AI在放射性诊断中的实用性.