基于深度学习的可解释的人工智能 (XAI) 基于医学成像分类
Rawan Ghnemat1, Sawsan Alodibat1, Qasem Abu Al-Haija2
1Department of Computer Science, Princess Sumaya University for Technology, Amman 11941, Jordan.
Journal of imaging
|September 27, 2023
概括
本研究介绍了一种可解释的人工智能 (AI) 模型,用于医学图像分类. 该模型提高了可解释性,并达到90.6%的准确性,提高了诊断效率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 深度学习 (AI) 模型提供高精度,但缺乏可解释性 ("黑子"问题).
- 可解释的人工智能对于可靠的医学诊断和临床决策至关重要.
研究的目的:
- 开发一个可解释的AI模型用于医学图像分类,以提高决策透明度.
- 提高人工智能驱动的医学诊断的准确性和效率.
主要方法:
- 图像细分技术被用来提供对人工智能模型分类过程的见解.
- 该模型在五个不同的医学成像数据集上进行了评估,包括COVID-19和肺炎胸部X射线.
主要成果:
- 在一个包含6432张图像的数据集上,实现了90.6%的测试和验证准确性.
- 与传统的人工智能模型相比,证明了提高准确性和减少时间复杂性.
- 基于细分的方法提高了人工智能模型预测的可解释性.
结论:
- 拟议的可解释人工智能模型为医学图像分类提供了更加透明和可解释的解决方案.
- 这种方法有可能提高AI在医学诊断中的准确性和效率.
- 该模型的减少时间复杂性使其成为临床应用的实用工具.


