通过可解释的深度学习来诊断结肠癌
Marcello Di Giammarco1,2, Fabio Martinelli3, Antonella Santone4
1Institute for Informatics and Telematics, National Research Council of Italy (CNR), Pisa, Italy. marcello.digiammarco@phd.unipi.it.
Scientific reports
|July 3, 2024
概括
这项研究引入了一种可解释的深度学习方法,用于使用组织学图像早期检测结肠癌. 该方法准确地识别癌细胞并突出显示感兴趣的区域,达到99%的准确性.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 医疗图像分析 医学图像分析
背景情况:
- 深度学习 (DL) 为医学图像分析提供了先进的功能.
- 在结肠组织中精确有效地检测腺癌对于患者的治疗结果至关重要.
- 可解释性AI (XAI) 对临床信任和采用越来越重要.
研究的目的:
- 开发和评估一种可解释的深度学习方法,用于从组织学图像中检测结肠腺癌.
- 为了在结肠癌分类中比较各种DL架构以获得最佳性能.
- 为模型预测提供视觉解释性,突出显示与癌症相关的区域.
主要方法:
- 利用深度学习架构对结肠组织组织学图像进行分类.
- 实施可解释的AI技术来可视化模型预测.
- 在1万张结肠组织图像的数据集上进行实验分析.
主要成果:
- 在通过组织学图像检测结肠癌时,达到0.99的高精度.
- 证明了DL模型在识别癌细胞方面的有效性.
- 成功提供视觉解释,在图像中定位与癌症相关的区域.
结论:
- 提出的可解释的深度学习方法对结肠癌的检测和定位是有效的.
- 视觉解释性提高了DL模型在病理学中的解释性.
- 这种方法具有早期诊断和临床决策支持的巨大潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
