对基于图像的癌症诊断实时深度学习方法的系统审查
Harini Sriraman1, Saleena Badarudeen1, Saransh Vats1
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Journal of multidisciplinary healthcare
|September 16, 2024
概括
深度学习模型使用医学图像分析显著减少了癌症诊断等待时间. 可解释的人工智能是克服临床应用障碍的关键.
科学领域:
- 医疗图像处理 医学图像处理
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 目前的癌症诊断方法需要长时间的等待 (5-30天).
- 深度学习 (DL) 擅长识别大型数据集中的复杂模式,使其适合用于医学图像分析.
- 实时医学诊断旨在在一定的时间范围内识别疾病.
研究的目的:
- 探索深度学习算法的实时癌症诊断的应用.
- 评估DL对减少诊断等待时间的影响.
- 评估DL在癌症检测医学成像中的准确性和效率.
主要方法:
- 在癌症诊断中对DL进行全面的文献综述.
- 在各种成像模式中评估DL模型准确度和周转时间.
- 对实时DL诊断的基础设施需求和成本的分析.
主要成果:
- 深度学习模型,特别是卷积神经网络,在癌症诊断中达到高达99.3%的准确性.
- DL有可能显著减少癌症诊断的等待期.
- 评估DL基础设施的有效性和成本效益.
结论:
- 可解释的DL对于克服临床试验中的一般化问题和数据变化等障碍至关重要.
- 实施DL可以提高癌症诊断的速度和准确性.
- 可解释的AI将促进DL在临床癌症诊断中的更广泛采用.
