可解释的标签引导轻量级网络与轴变压器编码器用于早期检测口腔癌
Dhirendra Prasad Yadav1, Bhisham Sharma2, Ajit Noonia3
1Department of Computer Engineering & Applications, GLA University Mathura, Mathura, India.
Scientific reports
|February 21, 2025
概括
一个新的轻量级可解释网络 (LWENet) 带有标签引导注意力 (LGA) 有助于早期检测口腔癌. 这种人工智能工具提供了第二意见,提高了口腔和口腔癌的诊断准确度.
科学领域:
- 医疗人工智能 医疗人工智能
- 计算病理学计算病理学
- 数字健康数字健康
背景情况:
- 口腔癌具有显著的发病率和死亡率,强调了早期诊断的必要性.
- 机器学习 (ML) 和卷积神经网络 (CNN) 在诊断口腔和口腔癌方面表现有前途.
- 现有的诊断方法可以从人工智能驱动的第二意见中受益,以提高准确性.
研究的目的:
- 为口腔癌检测设计一个轻量级和可解释的AI网络 (LWENet).
- 通过整合标签引导注意力 (LGA) 和高效的视觉转换器 (ViT) 编码器来提高诊断准确性.
- 提供可解释的人工智能工具,帮助专家早期诊断口腔癌.
主要方法:
- 开发了LWENet,使用深度可分离的卷积层来提高计算效率.
- 整合了标签引导注意 (LGA) 模块,以增强空间特征并确保标签的一致性.
- 整合了基于轴向多头自我注意 (AMSA) 的ViT编码器,以获得全球关注,优化计算性能.
- 在MOD (口腔疾病) 和OCI (口腔癌图像) 数据集上验证了LWENet.
主要成果:
- 在MOD数据集上,LWENet实现了高性能,精度和F1得分分别为96.97%和98.90%.
- 在OCI数据集上,LWENet表现出极好的结果,精度和F1分数分别为99.48%和98.23%.
- 渐变CAM可视化证实了模型的决策过程,提高了可解释性.
结论:
- 凭借其LGA模块和高效的ViT编码器,LWENet在早期检测口腔癌方面具有显著的潜力.
- 该模型的可解释性促进了医疗专家的信任和采用.
- 这种人工智能方法可以作为一种有价值的第二意见工具,改善口腔癌的诊断结果.
