在利用XAI结合深度学习的联合环境下对可解读的红细胞异常检测的分析
Shakib Mahmud Dipto1, Md Tanzim Reza2, Nadia Tasnim Mim2
1Department of Computer Science and Engineering, University of Liberal Arts Bangladesh, Dhaka, Bangladesh.
Scientific reports
|October 28, 2024
概括
联合学习 (FL) 能够实现红细胞 (RBC) 变形检测模型的分散训练,保持数据隐私. 这种方法实现了与传统方法相比较的高精度,确保了安全的医疗图像分析.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
- 计算病理学计算病理学
背景情况:
- 传统的机器学习 (ML) 用于疾病检测需要大量的数据集,往往受到医疗数据隐私问题的阻碍.
- 联合学习 (FL) 提供了一种去中心化的方法来培训模型,同时保持患者数据的机密性.
研究的目的:
- 通过使用联邦学习 (FL) 来解决医疗图像分析中的数据收集挑战.
- 开发一种保护隐私的方法,用FL检测红细胞 (RBC) 变形.
主要方法:
- 实施了联邦学习 (FL) 框架,用于在红细胞 (RBC) 图像上分散训练深度学习 (DL) 模型.
- 利用直接和加权平均技术进行全球模型聚合,以提高稳定性.
- 使用可解释AI (XAI) 的GradCam来验证分类结果.
主要成果:
- 在RBC变形分类中,FL方法实现了高精度 (94%-95%),与集中式深度学习 (DL) 模型 (96%) 相比.
- 证明FL可以有效地训练模型,而不会影响本地数据的机密性.
- 可解释AI (XAI) 技术证实了分类结果的有效性.
结论:
- 联合学习 (FL) 提供了一个可行的,保护隐私的替代方案,用于从病理图像中自动检测疾病.
- 这项研究验证了FL在红细胞变形分类中的有效性,没有显著的准确性损失.
- 集成XAI进一步加强了基于FL的医疗图像分析的可靠性.
