可解释的机器学习用于从乳房扫描和超声波图像诊断乳腺癌:一个系统的审查
Daraje Kaba Gurmessa1,2, Worku Jimma3
1Department of Information Science, Jimma Institute of Technology, Jimma University, Jimma, Oromia, Ethiopia darajekaba2020@gmail.com.
BMJ health & care informatics
|February 2, 2024
概括
可解释的人工智能 (XAI) 在乳腺癌诊断方面表现有前途. 然而,目前的研究缺乏对可信度和用户信心的强有力的评估,强调需要进一步的系统研究.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和诊断 放射学和诊断 是一个专业.
背景情况:
- 乳腺癌的诊断经常使用乳房影像和超声波 (美国) 影像.
- 可解释的人工智能 (XAI) 越来越多地应用于提高乳腺癌诊断.
- 需要对XAI进行全面的审查,以通过成像诊断乳腺癌.
研究的目的:
- 审查XAI用于乳腺癌诊断的方法,使用乳房影像和超声波 (美国) 图像.
- 调查XAI方法的评估,道德挑战和研究缺口.
- 分析算法准确性和可解释性之间的关系.
主要方法:
- 使用PRISMA指南进行系统审查.
- 在PubMed,IEEE Explore,ScienceDirect,Scopus和谷歌学者中进行了搜索.
- 使用的关键词:"乳腺癌"",可解释"",可解释"",机器学习"",人工智能"",XAI".
主要成果:
- 确定了XAI用于乳腺癌诊断的14项初级研究.
- 只有一个研究评估了人类对XAI系统的信心.
- 数据集和数据相关问题被确定为主要的研究缺口 (92.86%的研究).
结论:
- 目前的XAI应用程序没有明显增加用户或临床医生的信任.
- 缺乏有效的,系统的评估,阻碍了XAI在乳腺癌诊断中的真实世界的可信度评估.
- 进一步的研究对于确定最佳的XAI方法和确定其可靠性至关重要.
