ELW-CNN:一种极为轻量级的卷积神经网络,用于提高结肠和肺癌识别的互操作性,使用可解释的AI

科学领域:

• 计算瘤学是一种计算瘤学.
• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 癌症仍然是导致死亡的主要原因,需要准确和早期检测方法.
• 目前用于癌症识别的现有机器和深度学习模型面临的局限性包括小数据集,数据质量差以及部署挑战.
• 区分肺癌亚型,如状细胞癌和腺癌,是一个重要的诊断障碍.

研究的目的:

• 开发一种极为轻量级的卷积神经网络 (CNN) 模型,用于准确和早期检测肺癌和结肠癌.
• 解决现有模型的局限性,包括数据集大小,数据质量,类间差异和移动部署困难.
• 通过临床验证的可解释性方法提高模型的可解释性.

主要方法:

• 开发一个高效,轻量级的CNN模型,参数最小 (70,000).
• 在一个包含肺癌和结肠癌图像的大数据集上进行培训和验证.
• 应用可解释性技术,包括Grad-CAM和对称解释,以解释模型决策.

主要成果:

• 拟议的轻量级CNN模型在结合的肺癌和结肠癌数据集上实现了98.16%的整体准确性.
• 个体癌症检测精度达到99.02%的肺癌和99.40%的结肠癌.
• 可解释性方法成功地突出了输入数据中的关键区域,影响了模型的诊断预测.

结论:

• 开发的轻量级CNN模型证明了癌症实时检测的高效率和高效率.
• 该模型的性能和可解释性为医疗专业人员在自动化癌症诊断方面提供了宝贵的工具.
• 这种方法具有显著的潜力,可以通过更早,更准确的癌症识别来改善患者的治疗结果.