完全可解释的深度学习模型使用红外热图像对可能的乳腺癌病例进行分析

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌是全球主要的健康问题,需要改进早期检测方法.
• 热力学为乳腺癌查提供了一个有前途的,非侵入性的,且具有成本效益的辅助工具.

研究的目的:

• 探索机器学习的有效性,特别是贝叶斯网络和卷积神经网络 (CNN),用于早期乳腺癌诊断.
• 整合可解释的人工智能 (XAI) 以提高诊断模型的可解释性.

主要方法:

• 开发两个诊断专家模型 (A模型和B模型),集成热成像和医疗记录.
• 模型A使用了XAI与热图像和医疗数据.
• 模型B包含XAI,热图像,医疗数据和CNN预测.

主要成果:

• 模型A在乳腺癌诊断中实现了84.07%的准确性.
• 通过包括CNN预测,B模型的准确度更高,达到90.93%.
• 整合XAI显著提高了诊断模型的可解释性和准确性.

结论:

• 可解释的人工智能,结合贝叶斯网络和CNN等先进的机器学习技术,显示了改善早期乳腺癌诊断的巨大潜力.
• 开发的模型为乳腺癌检测提供了高度准确和可解释的方法,支持临床决策.