在乳腺癌检测和细分的多任务框架中,双形容器的后期解释性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要改进的诊断工具.
• 当前的机器学习计算机辅助诊断 (CAD) 系统缺乏透明度,阻碍了放射科医生的信任.
• 可解释的AI对于将先进的诊断系统集成到临床实践中至关重要.

研究的目的:

• 开发一种新的可解释的深度学习方法,MT-BI-RADS,用于乳房超声波 (BUS) 图像中的瘤检测.
• 提高CAD系统用于乳腺癌诊断的可解释性和可靠性.
• 为放射科医生提供对模型决策过程的更深入理解.

主要方法:

• 提出了一个名为MT-BI-RADS的新型可解释的深度学习模型.
• 利用多任务学习在BUS图像中同时进行瘤细分和恶性病预测.
• 使用Shapley值来量化描述符贡献的附加后期解释.

主要成果:

• MT-BI-RADS模型为预测瘤恶性病变提供了三个层次的解释.
• 它输出了与公共汽车图像分析相关的标准BI-RADS类别.
• 该系统同时对瘤区域进行细分,并量化BI-RADS描述者的影响.

结论:

• MT-BI-RADS为乳房超声波分析提供了一个透明和可解释的深度学习解决方案.
• 该方法有助于放射科医生理解CAD系统的预测,促进信任和临床采用.
• 这种可解释的AI方法提升了AI在乳腺癌诊断中的潜力.