Grad-CAM 启用了 3D Inception-ResNet V2 的乳腺癌分类:赋予放射科医生可解释的洞察力
Fatma M Talaat1,2, Samah A Gamel3, Rana Mohamed El-Balka4,5
1Faculty of Artificial Intelligence, Kafrelsheikh University, Kafrelsheikh 33511, Egypt.
Cancers
|November 9, 2024
概括
一种用于乳腺癌检测的新人工智能模型使用乳房影像来提供准确,非侵入性诊断. 这种可解释的人工智能 (BCaXAI) 模型减少了对活检和放射科医生的依赖.
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 (BCa) 是妇女死亡的主要原因,活检是黄金标准但侵入性诊断方法.
- 乳房摄影是一种常见的非侵入性查工具,但可以是主观的,这取决于放射科医生的专业知识.
- 在BCa诊断中尽量减少侵入性和主观性对于患者的治疗结果至关重要.
研究的目的:
- 开发一种新的,可解释的AI (BCaXAI) 模型,用于使用乳房影像进行精确,非侵入性和客观的乳腺癌诊断.
- 利用深度学习和可解释的AI技术来提高诊断准确度,并为放射科医生提供视觉洞察力.
- 为了减少侵入性活检程序的需要,并减轻诊断主观性.
主要方法:
- 开发了一个深度学习框架,BCaXAI,利用Inception-ResNet V2架构.
- 集成可解释的AI组件,特别是Grad-CAM,为模型的诊断决策提供视觉解释.
- 在DDSM和CBIS-DDSM乳腺扫描数据集上训练并验证了模型.
主要成果:
- 与ResNet50和VGG16等传统模型相比,BCaXAI实现了更高的性能.
- 证明了高精度 (98.53%),回忆力 (98.53%),精度 (98.40%),F1得分 (98.43%) 和AUROC (0.9933).
- 有效地区分了良性和恶性乳腺癌病例.
结论:
- BCaXAI模型提供了一种精确,非侵入性和客观的乳腺癌诊断方法.
- 可解释的AI集成增强了放射科医生的信任,并有助于决策.
- 该模型的高性能表明,有可能减少对活检的依赖,提高诊断一致性.
