相关实验视频
Updated: Jun 5, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
用于胃肠道疾病检测的可解释深度学习架构:使用PCA和XAI的三阶段方法
Md Faysal Ahamed1, Fariya Bintay Shafi1, Md Nahiduzzaman1
1Department of Electrical & Computer Engineering, Rajshahi University of Engineering & Technology, Rajshahi, 6204, Bangladesh.
Computers in biology and medicine
|December 8, 2024
概括
这项研究引入了一种轻量级的深度学习模型来分类胃肠道疾病,在识别27种疾病方面实现了高准确性. 该高效的框架显示了在早期疾病检测中临床应用的巨大潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 胃肠道 (GI) 异常显著影响死亡率和医疗保健成本.
- 快速检测和准确诊断肠道疾病对于有效治疗至关重要.
- 当前的诊断方法可能是耗时和资源密集的.
研究的目的:
- 开发一个自动化计算机辅助检测 (CAD) 系统来分类胃肠道疾病.
- 利用深度学习方法来准确有效地分类胃肠道疾病.
- 为临床应用创建一个轻量级和可解释的深度学习框架.
主要方法:
- 一个三阶段的轻量级深度学习架构:PSE-CNN用于特征提取,PCA用于特征选择,DELM用于分类.
- 使用了GastroVision数据集,包括27个胃肠道疾病的8000张图像.
- 实施了一种序列预处理策略,并使用5倍交叉验证评估模型的稳定性.
- 使用的可解释AI (XAI) 方法 (Grad-CAM,SHAP等) 对于模型的可解释性.
主要成果:
- PSE-CNN-PCA-DELM模型在三个分类阶段实现了高性能:3个类的平均精度为97.24%,9个类的平均精度为90.00%,27个类的平均精度为93.00%.
- 在所有阶段都表现出极好的精度,回忆,F1得分,ROC-AUC和AUC-PR.
- 该框架是紧的 (14.88 MB) 具有快速的平均测试时间 (59.17 ms),表明高效率.
结论:
- 拟议的轻量级深度学习框架有效地以高准确度对广泛的肠道疾病进行了分类.
- 该模型的效率,可解释性和稳定性使其适合临床实施.
- 这种CAD系统为改善早期检测和诊断肠道异常提供了一个有前途的工具.
