在全幻灯片图像中实施对非小细胞肺癌诊断的信任,使用符合不确定性意识的人工智能框架

科学领域:

• 医疗人工智能 医疗人工智能
• 数字病理学数字病理学
• 计算机癌症诊断 计算机癌症诊断

背景情况:

• 对社会负责的人工智能 (AI) 的发展至关重要,特别是在癌症诊断中,错误会产生严重后果.
• 现有的数字病理人工智能模型缺乏系统的方法来解决来自模型限制和数据差异的可靠性问题.
• 确保数据和模型可靠性对于在临床环境中可靠的AI至关重要.

研究的目的:

• 开发和评估TRUECAM,这是一种新的框架,用于确保人工智能驱动的非小细胞肺癌亚型化数据和模型可靠性,使用全幻灯片图像.
• 解决当前人工智能模型在范围之外的输入,模两可的数据和受控错误率方面的局限性.

主要方法:

• TRUECAM集成了一种光谱规范化的神经高斯过程,以识别范围之外的输入.
• 以模糊性为指导的消除片过高度不确定的区域,提高数据的可靠性.
• 符合性预测用于保证人工智能预测的受控错误率.

主要成果:

• 与TRUECAM集成的人工智能模型显示,与没有框架的模型相比,AI模型具有更高的分类准确性,稳定性,可解释性和数据效率.
• 该框架显示,在各种大型癌症数据集中,公平性有了显著的改善.
• 在特定任务和基础模型中,TRUECAM 证明了其有效性.

结论:

• TRUECAM 作为数字病理学人工智能模型的多功能包装框架,提高了它们的可信度.
• 该框架促进了人工智能在现实世界癌症诊断中的负责任和有效应用.
• TRUECAM的系统方法解决了对病理学中可靠的人工智能的关键问题.