通过使用基于进化算法的NAS进行扩散性肺病图像分类的特征分离

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 计算生物学 计算生物学

背景情况:

• 神经网络 (NN) 在通过图像分类来诊断肺部疾病方面表现有前途.
• 无线药物往往是"黑子",阻碍了对智能医学的信任和发展.
• 在NN中缺乏可解释性会导致怀疑,并损害模型可靠性.

研究的目的:

• 引入进化神经架构搜索 (EvoNAS) 以提高NN的解释性和肺部疾病诊断的准确性.
• 开发一种人工智能模型,可以有效地区分医疗图像中的关键和冗余特征.
• 提高AI在医疗应用中的可靠性和可信度.

主要方法:

• 利用进化算法来探索和优化卷积神经网络 (CNN).
• 整合了差异进化算法,以提高搜索效率.
• 采用可视化技术,以确保模型的可解释性.

主要成果:

• 埃沃纳斯优化的CNN擅长识别歧视性特征,提高分类准确度.
• 与原始网络相比,在扩散性肺病数据集上的分类准确度提高了0.56%.
• 与肺部疾病纹理分类的现有方法相比,证明了显著的优势.

结论:

• 埃沃纳斯提高了神经网络的准确性和可解释性,用于肺部疾病诊断.
• 该方法有效地区分了关键的诊断特征,提高了分类性能.
• 埃沃纳斯为医疗图像分析提供了更可靠和透明的AI解决方案.