可解释的多式分类用于与年龄相关的黄斑变性诊断

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 可解释的人工智能 (XAI) 对于理解医疗图像分析中的"黑子"AI决策至关重要.
• 可解释的人工智能有助于临床医生证明诊断的合理性,增强对医疗保健的信任和采用.
• 眼科从人工智能中获益,用于分析复杂的视网膜图像,但解释性仍然是一个挑战.

研究的目的:

• 评估三种XAI策略在眼科医学图像分析中的性能.
• 评估多模式深度学习模型的有效性,该模型结合了OCT和IR成像用于AMD诊断.
• 确定最好的XAI方法来识别视网膜损伤并提供可解释的见解.

主要方法:

• 开发了一种多式深度学习模型,集成光学连贯断层扫描 (OCT) 和红外反射 (IR) 成像.
• 分析了三种可解释的人工智能 (XAI) 策略,以评估它们在医学图像分析任务中的表现.
• 该模型经过训练和验证,用于诊断与年龄相关的黄斑变性 (AMD).

主要成果:

• 多模式深度学习模型在诊断AMD方面取得了0.94的高准确性,优于单模式方法.
• 确定Grad-CAM和指导 grad-CAM是有效的XAI方法,提供视网膜层的粗细粒度分析.
• 该研究表明,将OCT和IR成像与XAI结合起来,可以提高诊断能力的潜力.

结论:

• 将OCT和IR成像与 grad-CAM等XAI策略相结合,为眼科提供了强大的和可解释的AI.
• 开发的多模式方法提高了AMD诊断的准确性和可解释性.
• 结果为设计眼科护理中自动化,可解释的查测试提供了实际建议.