开发一种可解释的人工智能模型,用于亚洲血管伤口图像
Zhiwen Joseph Lo1,2, Malcolm Han Wen Mak3, Shanying Liang1
1Department of Surgery, Woodlands Health, Singapore, Singapore.
International wound journal
|December 26, 2023
概括
一个可解释的AI模型准确地分析亚洲人口的血管伤口图像,对伤口进行分类,测量和细分. 这种人工智能工具为临床决策支持提供了高准确性和可解释性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 慢性伤害对全球卫生保健和经济构成重大挑战.
- 准确的伤口评估是复杂和动态的,阻碍了有效的治疗.
- 人工智能 (AI) 和可解释的建模为伤口分析和临床整合提供了有前途的解决方案.
研究的目的:
- 开发一种可解释的AI模型,用于分析亚洲人口的血管伤口图像.
- 为了分类伤口类型,测量尺寸 (宽度,长度,深度) 和细分伤口/周围伤口特征.
- 确保模型的可解释性,以提高医疗保健系统的接受度.
主要方法:
- 利用来自新加坡高等院校的2,957张血管伤口图像的数据集.
- 采用深度学习和卷积神经网络,用于数据预处理的过量采样和增强.
- 整合了可解释性方法来解释AI决策流程,并开发了一个用于演示的Web应用程序.
主要成果:
- 实现了高性能,AUROC为0.99的伤口分类 (95.9%的准确性) 和AUROC为0.95的细分 (87.8%的准确性).
- 在伤口测量方面表现出强的结果,深度AUROC为0.97 (准确率为85.0%),宽度/长度AUROC为0.92 (准确率为87.1%).
- 对15476张未标记图像的测试显示了高的可信度得分 (高达93.0%) 和可解释性得分 (高达76.6%).
结论:
- 开发了一个准确和可解释的AI算法和应用程序,用于亚洲人口的血管伤口分析.
- 可解释的人工智能模型展示了作为临床决策支持系统的潜力.
- 进一步开发可以促进将其集成到现有的医疗电子系统中,以改善伤口管理.
