一个可解释的三维人工智能模型用于计算机辅助诊断肺结节的计算机断层图像图像

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:

• 肺癌,主要是非小细胞癌,是癌症死亡的主要原因.
• 通过低剂量胸部计算机断层扫描 (CT) 早期检测对于降低死亡率至关重要.
• 非吸烟妇女肺腺癌发病率上升是一个重大的公共卫生挑战.

研究的目的:

• 开发和验证一个改进的3D可解释的层次语义卷积神经网络 (HSNet),用于自动肺癌诊断.
• 为了提高AI的诊断性能,从CT图像中识别肺结节.
• 为早期肺癌检测提供智能医疗服务.

主要方法:

• 开发一个改进的3D可解释的层次语义卷积神经网络 (HSNet).
• 使用一系列肺结节图像进行验证.
• 应用高级培训策略,包括循环学习率和随机权重平均.
• 四次交叉验证以评估诊断性能.

主要成果:

• 与以前的方法相比,HSNet显示出更高的诊断性能.
• 在分类结节特征方面实现了高准确性:化 (0.9873 ± 0.006),边缘 (0.9207 ± 0.009),微妙 (0.9026 ± 0.014),质地 (0.9685 ± 0.006),球状 (0.8652 ± 0.021) 和恶性病 (0.9685 ± 0.006).

结论:

• 开发的可解释的人工智能模型HSNet有效地通过CT图像诊断肺癌.
• HSNet提供了更好的诊断准确性,支持肺癌的早期检测和治疗.
• 这种人工智能系统代表了肺癌诊断智能医疗服务的重大进步.