基于转移学习的方法用于肺癌和结肠癌检测,使用本地二进制模式特征和可解释的人工智能 (AI) 技术
1Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia.
PeerJ. Computer science
|April 25, 2024
概括
这项研究引入了一个先进的Inception-ResNetV2模型,具有局部二进制模式 (LBP),用于增强肺癌和结肠癌诊断. 这种机器学习方法达到99.98%的准确性,承诺更快,更可靠的癌症检测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 癌症,特别是肺癌和结肠癌,对全球健康构成重大威胁,需要准确及时诊断.
- 组织病理学分析对于有效的癌症治疗计划至关重要.
- 早期发现癌症可以显著降低死亡率.
研究的目的:
- 开发和验证一个机器学习模型,以提高从组织病理图像诊断肺癌和结肠癌的准确性.
- 将深度学习与基于纹理的功能集成在一起,以提高诊断性能.
- 用可解释的AI (XAI) 技术来实现模型透明度.
主要方法:
- 实现Inception-ResNetV2深度学习架构的实施.
- 整合本地二进制模式 (LBP) 的纹理特征.
- 培训和评估对一个数据集的组织病理图像.
- 应用夏普利添加式解释 (SHAP) 来实现模型的解释性.
主要成果:
- 拟议的模型实现了99.98%的异常诊断准确率.
- 深度学习和LBP的结合显著改善了癌症的识别.
- SHAP分析为模型的决策过程提供了洞察力,增强了信任和透明度.
结论:
- 具有LBP特征的Inception-ResNetV2模型在自动化癌症诊断中表现出高效率.
- 可解释的人工智能增强了深度学习模型在瘤学中的临床适用性.
- 这种方法有可能彻底改变癌症诊断,导致更准确,更可靠的医学评估.
