神经XAI:基于deeplabV3+和贝叶斯优化来对MRI扫描中的脑瘤进行细分和分类的可解释的深度学习框架

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 计算神经科学和机器学习

背景情况:

• 脑瘤诊断严重依赖于放射学,但手动图像分析对放射科医生来说是耗时和艰苦的.
• 机器学习,特别是卷积神经网络 (CNN),在医学成像方面表现有前途,但在超参数调整,可解释性和不确定性量化方面面临挑战.

研究的目的:

• 开发和验证一个新的,三阶段的深度学习策略,用于准确和可解释的脑瘤细分和分类.
• 为了解决手动超参数调整的局限性,CNN的"黑子"性质,以及基于AI的医学诊断中缺乏不确定性评估.

主要方法:

• 使用DeeplabV3+模型对大脑瘤进行细分,并对超参数调整进行贝叶斯优化.
• 从Darknet53和mobilenetv2模型中提取特征,然后使用贝叶斯优化超参数进行支持矢量机 (SVM) 分类.
• 将可解释的人工智能 (XAI) 集成为模型可解释性和混,以量化预测不确定性.

主要成果:

• 提出的贝叶斯优化深度学习框架实现了97%的分类准确率和0.98的全球准确率.
• 该方法成功地细分了脑瘤,并为CNN的决策过程提供了可解释的见解.
• 使用混的不确定性量化成功实施,提高AI驱动诊断的可靠性.

结论:

• 这种新的三阶段策略为实时脑瘤诊断提供了一种强大而值得信赖的基于人工智能的方法.
• 结合贝叶斯优化,XAI和不确定性量化,可以显著提高医学成像中的深度学习模型的性能和临床适用性.