可解释的人工智能在基于深度学习的胸部X射线图像上检测大动脉延长
Estela Ribeiro1,2, Diego A C Cardenas1, Felipe M Dias1,3
1Heart Institute (InCor), Clinics Hospital University of Sao Paulo Medical School (HCFMUSP), Av. Dr. Enéas Carvalho de Aguiar, 44 - Cerqueira César, São Paulo, SP 05403-900, Brazil.
European heart journal. Digital health
|September 25, 2024
概括
深度学习模型在胸部X射线上准确地检测出大动脉延长. 可解释的AI方法揭示了模型决策,有助于诊断这种心血管疾病的临床诊断.
科学领域:
- 医疗成像中的人工智能
- 心血管疾病的诊断 心血管疾病的诊断
- 放射学和图像分析
背景情况:
- 大动脉延长是心血管疾病的征兆,可能源于衰老,先天性问题或血管弹性问题.
- 它与大动脉动脉瘤和剖析等严重并发症有关,需要精确的检测方法.
- 当前的诊断方法可能会从先进的计算工具中受益,以提高准确性和效率.
研究的目的:
- 评估深度学习模型 (DenseNet,EfficientNet) 用胸部X射线 (CXR) 图像检测大动脉延长.
- 应用可解释的人工智能 (XAI) 技术来理解模型决策过程.
- 量化评估模型解释的临床实用性.
主要方法:
- 胸部X射线图像被用于通过转移学习训练和微调DenseNet和EfficientNet模型.
- 使用了可解释的AI方法,包括梯度加权类激活映射 (Grad-CAM) 和局部可解释模型不可知解释 (LIME).
- 像素翻转方法被用于对模型可解释性的定量评估.
主要成果:
- 在检测大动脉延长方面,EfficientNet表现优于DenseNet,达到更高的准确性 (86.7%) 和AUC (92.7%).
- XAI技术成功地确定了CXR图像中的区域,表明大动脉延长,与临床预期保持一致.
- 使用像素翻转的定量分析为深度学习模型的可靠性和行为提供了洞察力.
结论:
- 将深度学习与XAI集成为分析CXR图像以检测大动脉延伸提供了一个强大的策略.
- 增强的模型解释性可以帮助临床医生及时和准确地进行诊断.
- 这种方法有可能通过更早,更精确地识别大动脉延长来改善患者的治疗结果.
