ResGloTBNet:一个可解释的深度残留网络,具有全球远程依赖性,用于液涂抹显微镜图像的结核查
Taocui Yan1, Yaqian Jin2, Shangqing Liu1
1Medical Data Science Academy, College of Medical Informatics, Chongqing Medical University, Chongqing 400016, China.
Medical engineering & physics
|March 8, 2025
概括
这项研究介绍了ResGloTBNet,这是一个AI框架,用于从唾液图像中查结核病. 它比手工方法显著提高了准确度和灵敏度,有助于更快的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 传染性疾病 传染性疾病
背景情况:
- 结核病 (TB) 是全球主要的健康威胁.
- 手动唾液涂抹显微镜是一种标准的结核病查工具,但具有局限性.
- 这些局限性包括耗时,劳动密集,敏感性低.
研究的目的:
- 开发一个先进的深度学习框架,以加强结核病检测.
- 为了提高唾液涂抹图像分类的准确性和灵敏性.
- 为结核病诊断提供可解释的AI模型.
主要方法:
- 开发了ResGloTBNet,集成卷积神经网络 (CNN) 和图形卷积网络 (GCN).
- 将一个全球推理单元纳入ResNet,以创建ResGloRe模块用于本地和全球特征提取.
- 利用激活最大化和类激活映射来实现模型可解释性.
主要成果:
- 在公开数据集上,ResGloTBNet实现了97.2%的准确性和99.0%的敏感性.
- 在私人数据集上获得了98.0%的准确性和96.6%的敏感性.
- 可解释分析证实了该模型能够识别出用于预测的关键图像特征的能力.
结论:
- ResGloTBNet为结核病查提供了一个高度准确和敏感的AI驱动的解决方案.
- 该框架通过可解释的分析,为诊断决策提供了宝贵的见解.
- 这种方法有可能显著提高结核病检测效率和有效性.


