一个语义忠实性可解释的辅助决策模型用于肺结节分类
Xiangbing Zhan1, Huiyun Long2, Fangfang Gou3
1State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China.
International journal of computer assisted radiology and surgery
|December 23, 2023
概括
这项研究引入了一种新的可解释AI模型,用于分类肺结节,改善早期肺癌诊断. 语义忠实囊编码和可解释 (SFCEI) 模型实现了94.17%的准确性,超过了现有的方法.
科学领域:
- 医疗成像中的人工智能
- 计算机辅助诊断 计算机辅助诊断
- 肺癌检测检测 肺癌检测
背景情况:
- 早期肺结节诊断对于肺癌治疗至关重要.
- 现有的囊网络模型提供了可解释性,但在浅层网络中难以进行强大的特征提取.
- 这种限制阻碍了模型的整体性能.
研究的目的:
- 为肺结节多类分类提出一个语义忠实性囊编码和可解释 (SFCEI) 模型.
- 为了增强浅层囊网络的特征提取能力.
- 提高肺结节分类模型的准确性和可解释性.
主要方法:
- 开发了一种多层受体场特征编码块,以捕获多层次的肺结节特征.
- 将这些块集成到剩余的编码和解码注意层中,用于细粒度的上下文提取.
- 通过结合多尺度和上下文特征,制定了语义忠诚度肺结节属性囊表示.
主要成果:
- 在LIDC-IDRI数据集上实现了94.17%的分类准确度.
- 与肺结节恶性瘤分数分类的现有先进方法相比,证明了卓越的性能.
- 通过分层五重交叉验证进行验证.
结论:
- 拟议的SFCEI方法有效地捕捉了肺结节的多尺度和上下文特征.
- 在浅囊网络中增强的特征绘制能力改善了恶性瘤得分分类.
- 该模型的可解释性增加了医生对临床决策的信心.
