因果CervixNet:在宫癌细胞分类中具有因果洞察力的卷积神经网络 (CICNN),利用深度学习模型提高诊断准确性
Zahra Taghados1, Zohreh Azimifar2, Malihezaman Monsefi3
1Department of Computer Science, Engineering and Information Technology, Shiraz University, Shiraz, Iran.
BMC cancer
|April 4, 2025
概括
这项研究介绍了CausalCervixNet,这是一种使用因果推理来准确分类宫癌细胞的AI模型. 它提高了诊断透明度和效率,有助于改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 宫癌是全球主要的健康问题,死亡率很高,特别是在资源较低的环境中.
- 机器学习和深度学习可以改善宫癌细胞的分类,但往往缺乏可解释性.
- 传统的AI模型依赖于相关性,阻碍了透明的医疗决策.
研究的目的:
- 开发一种可解释的AI框架,用于使用因果推理对宫癌细胞进行分类.
- 通过在细胞图像中发现潜伏的因果因素来提高诊断准确性和效率.
- 将因果发现和推理整合到医疗诊断的深度学习模型中.
主要方法:
- 开发了CausalCervixNet,一个具有因果洞察力的卷积神经网络 (CICNN).
- 采用基于因果关系的方法来确定宫细胞图像中的因果关系.
- 在三个不同的数据集上验证了模型:SIPaKMeD,Herlev和ShUCSEIT.
主要成果:
- 实现了高分类准确率: 99.14% (SIPaKMeD),97.31% (Herlev) 和99.09% (ShUCSEIT) 的分类准确率.
- 证明了因果推理在改善诊断性能方面的有效性.
- 展示了模型发现隐藏的因果因素以提高可解释性的能力.
结论:
- 将因果发现,推理和推断与深度学习相结合,为宫癌诊断提供了一个可靠的框架.
- 原因CervixNet提供了一个可解释和高效的解决方案,在医学诊断中推进AI.
- 这种方法有助于改善患者的治疗结果和宫癌治疗策略.
