医学成像中的可解释AI:用于脑瘤分类的可解释和协作联合学习模型
Qurat-Ul-Ain Mastoi1, Shahid Latif1, Sarfraz Brohi1
1School of Computing and Creative Technologies, University of the West of England Bristol, Bristol, United Kingdom.
Frontiers in oncology
|March 14, 2025
概括
这项研究介绍了一种协作联合学习模型,使用可解释的AI进行准确的脑瘤分类. 该模型达到94%的准确性,为临床应用提供了更高的透明度和可靠性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 准确的脑瘤分类对于有效治疗至关重要,但面临着数据多样性和模型透明度的挑战.
- 磁共振成像 (MRI) 对于瘤诊断至关重要,但深度学习模型通常在集中数据的限制下扎.
- 目前用于脑瘤分类的深度学习模型缺乏透明度,阻碍了临床信任和采用.
研究的目的:
- 提出一种与可解释的人工智能 (XAI) 集成的新型协作联合学习模型 (CFLM).
- 解决脑瘤分类中的数据集可用性和模型解释性的局限性.
- 为了提高AI驱动的神经瘤学诊断工具的可靠性和透明度.
主要方法:
- 整合谷歌LeNet架构与联邦学习 (FL) 框架,用于维护隐私的协作培训.
- 实现梯度加权类激活映射 (Grad-CAM) 和突出地图可视化,以实现模型可解释性.
- 使用一个分散的方法,有10个客户端和50个沟通轮,用于培训本地数据集.
主要成果:
- 拟议的CFLM在识别质瘤,脑膜瘤,无瘤和垂体瘤方面实现了94%的分类准确度.
- 纳入Grad-CAM和突出地图为医疗保健专家提供了有意义的图形解释.
- 证明了联合学习在维护数据隐私方面的有效性,同时实现了协作模式培训.
结论:
- 开发的模型为脑瘤分类提供了一个高效和可解释的解决方案.
- FL和XAI的整合为透明和可靠的临床决策提供了重大进展.
- 这个框架具有很大的潜力,可以提高神经瘤学中AI的准确性和可靠性.
