使用定制的CNN进行大脑瘤预测,并使用可解释的AI

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 通过MRI及时诊断脑瘤对于患者的生存至关重要.
• 传统的深度学习 (DL) 模型缺乏透明度,阻碍了医疗专家的信任.
• 这是一个很棒的节目,这是一个很棒的节目.
• 黑盒子是一个黑盒子.
• DL模型的性质在临床应用中产生了怀疑.

研究的目的:

• 开发一种创新和透明的AI方法,使用MRI准确检测脑瘤.
• 通过可解释AI (XAI) 增强对人工智能驱动的医学诊断的信任.
• 改善早期瘤检测率和潜在的患者存活率.

主要方法:

• 使用定制的卷积神经网络 (CNN) 模型用于脑瘤检测.
• 整合了三个先进的可解释的人工智能 (XAI) 技术:SHAP,LIME和Grad-CAM.
• 在BR35H数据集上训练并验证了该模型,该数据集包括3060张大脑MRI图像.

主要成果:

• 实现了100%的培训准确率和98.67%的验证准确率.
• 在精度,回忆和F1分数方面表现出了98.50%的卓越表现.
• 在准确性和通用性测试中表现优于现有模型.

结论:

• 拟议的CNN模型与XAI技术集成,为大脑瘤检测提供了可靠和透明的解决方案.
• 这种方法提高了对医疗诊断人工智能的信任,为早期干预铺平了道路.
• 通过使用MRI,为AI辅助脑瘤诊断的准确性设定了新的基准.