一个多任务学习模型,用于临床解释性芝麻炎分级

科学领域:

• 兽医医学 兽医医学 兽医医学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 马类芝麻炎是一种影响马匹表现和增加受伤风险的普遍疾病.
• 精确分类芝麻炎对于有效的治疗策略至关重要.
• 目前用于芝麻炎的深度学习模型缺乏临床解释性.

研究的目的:

• 开发一种新的,临床上可解释的多任务学习模型,用于马类芝麻炎分级.
• 将临床知识与机器学习相结合,以提高诊断准确度.
• 提高人工智能驱动的兽医诊断决策的透明度.

主要方法:

• 采用双分支解码架构,同时对芝麻炎进行分级和血管通道细分.
• 功能融合被用来促进两项任务之间的知识转移.
• 创建了一个诊断报告和血管通道面罩来解释分级决策.

主要成果:

• 拟议的模型在两个独立的数据集上,与最先进的方法相比,显示出更高的性能.
• 该模型在芝麻炎分级和血管通道细分方面都取得了很高的准确性.
• 生成的诊断报告为该模型的分级结果提供了明确的解释.

结论:

• 开发的模型提供了一种临床上可解释和准确的方法来对马类芝麻炎进行分类.
• 该框架为可解释的AI在诊断类似兽医疾病方面提供了基础.
• 功能融合和多任务学习的整合提高了诊断能力和透明度.