层选择性深度表示,以改善食道癌症分类

科学领域:

• 医疗图像计算 医疗图像计算
• 医疗保健中的人工智能
• 深度学习用于诊断.

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 在医学成像方面表现有前途,但缺乏对临床使用的透明度和问责制.
• 解释ML决策对于可靠的医学诊断至关重要,需要理解深度学习模型的方法.
• 深度学习的"黑子"性质阻碍了临床采用,需要对模型解释性进行调查.

研究的目的:

• 研究ResNet-50深卷积神经网络架构对分类巴雷特食道和腺癌的影响.
• 提出两步学习技术,以确定ResNet-50模型中的具有影响力的层.
• 提高医疗图像分析中的AI模型的透明度和可靠性.

主要方法:

• 使用了ResNet-50深度卷积神经网络架构.
• 实施了两步学习技术,训练和分类每个卷积层的输出.
• 分析了特定层对巴雷特食道和腺癌分类性能的影响.

主要成果:

• 确定地方信息和高维特征对于提高分类准确性至关重要.
• 当最具歧视性的层对培训和分类产生更大的影响时,观察到显著的绩效增长.
• 证明将人类知识与计算处理相结合可以增强模型学习.

结论:

• 当ResNet-50架构逐层分析时,可以有效地对巴雷特食道和腺癌进行分类.
• 了解单个层的贡献可以提高模型的解释性和诊断可靠性.
• 结合领域专业知识与深度学习分析的混合方法优化了医疗诊断中的AI性能.