无线电站:一个放射学报告网络,用于BI-RADS分类的乳腺癌化的可解释深度学习
Ting Pang1,2,3, Jeannie Hsiu Ding Wong4, Wei Lin Ng4
1College of Medical Engineering, Xinxiang Medical University, Xinxiang, 453000, People's Republic of China.
Physics in medicine and biology
|February 19, 2024
概括
这项研究介绍了Radioport,这是一种深度学习模型,通过生成诊断报告来增强乳房扫描化诊断中的放射学学的解释性. 该模型提高了放射学家对深度学习放射学 (DLR) 的解释性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 深度学习放射学 (DLR) 通常是放射学家的"黑子",缺乏可解释性.
- 自动生成诊断报告可以改善DLR的语义解释.
- 乳房摄影化诊断需要明确和可解释的发现.
研究的目的:
- 开发一个可解释的深度学习模型,用于乳房扫描化诊断.
- 通过报告生成,提高深度学习放射学 (DLR) 的可解释性.
- 提高生成的医疗报告的清晰度和可读性.
主要方法:
- 提出了一个新的无线电报道网络 (Radioport),结合文本注意力.
- 利用卷积神经网络从乳房影像中提取放射性特征.
- 将视觉放射性特征映射到文本特征以生成诊断报告.
主要成果:
- 证明了DLR可解释性的语义增强.
- 展示了生成的医疗报告的可读性.
- 在乳腺化数据集上验证的有效性.
结论:
- 开发的可解释的文本模型可以模拟乳房摄影化诊断过程.
- Radioport为DLR的可解释性挑战提供了一个潜在的解决方案.
- 该模型通过提供更清晰,语义上增强的诊断报告来帮助放射科医生.


