通过可解释的定制 CNNs 架构改进疟疾诊断
Md Faysal Ahamed1, Md Nahiduzzaman1, Golam Mahmud1
1Department of Electrical & Computer Engineering, Rajshahi University of Engineering & Technology, Rajshahi, 6204, Bangladesh.
Scientific reports
|February 22, 2025
概括
一个新的软注意力并行卷积神经网络 (SPCNN) 显著提高了疟疾诊断的准确性和速度. 这种人工智能模型的性能优于传统方法和转移学习技术,为疟疾寄生虫检测提供了强大的工具.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 寄生虫学的寄生虫学
背景情况:
- 疟疾仍然是一个关键的全球卫生问题,特别是在蚊子种群较多的地区.
- 目前的诊断方法,如手动显微镜血液样本,是耗时的,容易出错,需要专家人员.
- 迫切需要更有效,更准确的疟疾检测工具.
研究的目的:
- 开发和评估先进的深度学习模型,以改善疟疾诊断.
- 将定制卷积神经网络 (CNN) 的性能与已建立的转移学习模型进行比较.
- 确定最有效的人工智能模型,以快速准确地检测疟疾寄生虫.
主要方法:
- 开发和实施三个定制的CNN架构:并行卷积神经网络 (PCNN),软注意力并行卷积神经网络 (SPCNN) 和软注意力后功能块并行卷积神经网络 (SFPCNN).
- 使用包括精度,回忆,F1得分,准确性和接收器操作特征曲线 (AUC) 下的面积在内的指标来评估模型性能.
- 与各种转移学习算法进行比较 (VGG16,ResNet152,MobileNetV3Small,EfficientNetB6,EfficientNetB7,DenseNet201,视觉变压器 (ViT),数据效率图像变压器 (DeiT),ImageIntern和Swin变压器v1/v2).
- 使用特征激活图,梯度加权类激活映射 (Grad-CAM) 和夏普利添加式扩展 (SHAP) 评估模型可解释性.
主要成果:
- 软注意力并行卷积神经网络 (SPCNN) 模型表现出卓越的性能,在所有评估指标上获得高分 (例如99.38%的精度,99.37%的回忆,99.95%的AUC).
- 在诊断准确性和速度方面,SPCNN显著超过了所有测试过的转移学习模型和其他定制CNN.
- 在开发的CNN中,SPCNN表现出最快的测试时间 (0.00252秒),表明了高计算效率.
- 解释性分析证实了SPCNN模型在识别疟疾寄生虫方面的稳定性和有效性.
结论:
- 开发的SPCNN模型代表了疟疾寄生虫诊断的重大进步,超过了传统的手动显微镜.
- 这种由人工智能驱动的方法为疟疾检测提供了一个高度准确,快速和计算高效的解决方案.
- 该研究强调了先进的深度学习技术在开发预防和控制疟疾的有效工具方面的潜力.
