解释轻量级深度神经网络对磁共振成像中冠状动脉疾病实时分类的决策
Talha Iqbal1, Aaleen Khalid2, Ihsan Ullah1,2
1Insight SFI Research Centre for Data Analytics, University of Galway, Galway, H91 TK33 Ireland.
Journal of real-time image processing
|February 13, 2024
概括
这项研究优化了人工智能 (AI) 模型用于实时医疗分析,重点是用于磁共振成像 (MRI) 分类的轻质卷积神经网络 (CNN). 人工智能模型实现了快速,准确的结果,增强了临床决策和患者安全.
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
- 机器学习优化优化
背景情况:
- 实时分析和决策在紧急和重症监护环境中至关重要.
- 人工智能 (AI) 具有支持临床决策和预防并发症的潜力.
- 对人工智能模型的优化对于高效可靠的医疗保健应用至关重要.
研究的目的:
- 研究医疗保健AI模型对分类任务的优化,重点关注时间复杂性,超参数调整和可解释AI (XAI).
- 突出轻量级卷积神经网络 (CNN) 对实时磁共振成像 (MRI) 分析的重要性.
- 探索XAI技术在AI预测中的透明度,信任和错误检测方面的好处.
主要方法:
- 优化AI模型,考虑时间复杂性和超参数调整.
- 开发和评估一种轻量级的CNN,用于实时MRI分类.
- 轻量级CNN与CNN-RandomForest (CNN-RF) 组合模型的比较.
- 整合了XAI技术,如GradCAM和层级相关性传播.
主要成果:
- 轻量级的CNN在MacBook笔记本电脑上每张图像的推断时间为8毫秒.
- 该模型提供了与CNN-RF组合模型相比较的分类准确性.
- 已经成功地集成了XAI技术,为AI预测提供了可解释的解释.
结论:
- 优化的人工智能模型,特别是轻量级的CNN,可以在医疗保健环境中实现快速准确的实时分析.
- 超参数调整和XAI对于提高AI性能,效率和可信度至关重要.
- 拟议的方法支持临床决策,确保患者安全,并与GDPR等数据保护法规保持一致.
