注意引导的卷积网络用于偏差缓和和可解释的口腔病变分类.
Adeetya Patel1, Camille Besombes1, Theerthika Dillibabu1
1Faculty of Dental Medicine and Oral Health Sciences, McGill University, Montreal, Canada.
Scientific reports
|December 31, 2024
概括
这项研究引入了用于口腔病变分类的深度学习模型,提高了准确性和可解释性. GAIN模型通过更好地定位病变和减少数据集偏差来提高口腔癌诊断.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 精确诊断口腔病变对于早期检测口腔癌至关重要,这给临床带来了重大挑战.
- 深度学习 (DL) 模型在协助口腔病变分类的临床决策方面表现有前途.
研究的目的:
- 开发和评估一种DL模型,以提高准确性,可解释性和减少数据集偏差来分类口腔病变.
- 引入一个新的GAIN (指导和注意) 模型,结合解剖部位预测,以增强诊断支持.
主要方法:
- 基于CNN的分类流被用作16类口腔病变分类的基线.
- 一个指导流 (GAIN模型) 将类激活地图与地面真实细分面具对齐,以实现更好的本地化.
- 添加了一个解剖学站点预测流 (GAIN+ASP模型),以进一步提高可解释性.
主要成果:
- 该GAIN模型实现了7.2%的相对准确度比16个类别分类的基线改善.
- 使用GAIN模型观察到更高的类特定平衡精度和AUC得分.
- 这些模型显示了增强的损伤定位,改进的注意力地图对齐,以及对数据集偏差更大的稳定性.
结论:
- 开发的深度学习模型,特别是GAIN和GAIN+ASP,为准确和可解释的口腔损伤分类提供了一个有希望的方法.
- 这些模型有可能通过提高诊断准确性和减少偏差来支持临床医生在口腔癌的早期诊断.
