可解释的人工智能用于解释使用增强ResNet50的卵巢瘤分类
Srirupa Guha1, Ashwini Kodipalli2, Steven L Fernandes3
1Department of Computer Science and Engineering, National Institute of Technology Durgapur, Durgapur 713209, India.
Diagnostics (Basel, Switzerland)
|July 27, 2024
概括
这项研究开发了一种修改后的ResNet50模型用于卵巢瘤分类,达到97.5%的准确性. 可解释的AI方法揭示了瘤形状和位置是恶性瘤的关键指标,有助于临床决策.
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:
- 像ResNet和Inception这样的深度学习模型在分类瘤方面表现有前途.
- 目前的模型缺乏可解释性,阻碍了临床采用决策.
- 鉴定瘤分类的关键特征对于医疗保健从业者来说至关重要.
研究的目的:
- 实现一个定制的分类器,用于卵巢瘤的高性能.
- 使用可解释AI (XAI) 方法解释分类结果.
- 确定图像区域对于区分良性和恶性卵巢瘤至关重要.
主要方法:
- 利用了卵巢瘤CT扫描在多个平面上的数据集.
- 实现了一个修改后的ResNet50架构,基于预先训练的ResNet50.
- 应用各种可解释的人工智能技术来对模型预测进行定性解释.
主要成果:
- 经过修改的ResNet50在测试数据集上实现了97.5%的分类准确性.
- XAI分析突出了瘤形状和局部区域作为重要的特征.
- 这些特征对于确定转移潜力和分类瘤至关重要.
结论:
- 开发的模型为卵巢瘤分类提供了高准确性和可解释性.
- 可解释的人工智能成功识别了影响恶性瘤分类的关键视觉特征.
- 这些发现支持数据驱动的决策和潜在的早期检测恶性卵巢瘤.
关键词:
这是GRAD-CAM.在 LIME 时代,这就是 SHAP SHAP 的意思.顺 渐变 顺 渐变定制的ResNet50可以使用.可解释的AI方法可解释的人工智能AI闭塞分析 闭塞分析突出度地图的突出度地图更多相关视频
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
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
42.8K