一个渐变映射引导可解释的深度神经网络用于3D脑外延伸识别头癌计算断层扫描图像的3D脑外延伸识别

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 头部和部状细胞癌 (HNSCC) 的诊断依赖于CT扫描来评估瘤和淋巴结的特征.
• 囊外延伸 (ECE) 是HNSCC的关键预后因素,影响分期和治疗.
• 目前的ECE检测方法需要手动的淋巴结注释,这是机器学习方法的瓶.

研究的目的:

• 提出一个梯度映射指导可解释网络 (GMGENet),用于HNSCC中的自动ECE识别.
• 开发一个框架,绕过在CT扫描中注释淋巴结区域的需要.
• 提高ECE检测的准确性和效率,以改善患者管理.

主要方法:

• 使用梯度加权类激活映射 (Grad-CAM) 来指导深度学习模型.
• 开发了一个由两个部分组成的框架:一个取出感兴趣的信息量 (VOI) 的提取器和一个用于ECE检测的分类器.
• 采用了提取器和分类器的联合培训过程,而不需要标记的淋巴结数据.

主要成果:

• 在交叉验证测试中,GMGENet获得了92.2%的准确性和89.3%的AUC.
• GMGENetV2显示了90.3%的准确性和91.7%的AUC.
• 结果与现有模型进行了验证,并使用Grad-CAM热图进行解释,与组织病理学发现相关联.

结论:

• 拟议的深度网络有效地识别了没有淋巴结轮的ECE.
• 生成的ECE热图有助于临床实施,并可能揭示新的放射性特征.
• 这项工作促进了可解释AI在临床实践中用于辅助ECE检测的采用.