可解释的混合视觉转换器和卷积网络用于多模式质瘤细分在脑MRI中

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 在多模式MRI中精确的质瘤细分对于神经外科干预至关重要.
• 深度学习模型提供了自动化的病变细分,但往往缺乏透明度 ("黑子"问题).
• 人工智能在神经外科的临床采用受到无法理解模型预测的阻碍.

研究的目的:

• 开发一种混合深度学习模型,用于在脑MRI中准确和强大的质瘤细分.
• 引入一种可解释性技术 (TransXAI),在不改变模型架构或准确性的情况下提供外科医生可以理解的热图.
• 为了提高AI驱动的神经成像分析的透明度和临床信任.

主要方法:

• 提出了一种结合视觉转换器和卷积神经网络 (CNN) 的新型混合模型.
• 实施了后期解释技术,以生成模型预测的视觉解释 (热图).
• 利用多式脑MRI卷进行质瘤细分和分析.

主要成果:

• 在从脑MRI扫描中细分质瘤方面,TransXAI取得了竞争性表现.
• 该方法生成了可解释的突出地图,有助于理解深度网络预测.
• 可视化地图显示了编码器-解码器网络中的信息流和模式贡献.

结论:

• 通过可解释的热图,TransXAI提供了精确的质瘤细分,并通过可解释的热图提高了透明度.
• 可解释性功能可以增加医疗专业人员对临床使用深度学习系统的信心.
• 该方法通过消除AI决策的神秘性,促进了人工智能工具在神经外科手术中的整合.