可解释的AI用于通过CT图像上的定制CNN来检测肺癌
Mohamed Hammad1,2, Mohammed ElAffendi3, Ahmed A Abd El-Latif3,4
1EIAS Data Science Lab, College of Computer and Information Sciences, Center of Excellence in Quantum and Intelligent Computing, Prince Sultan University, Riyadh, 11586, Saudi Arabia. mhammad@psu.edu.sa.
Scientific reports
|April 13, 2025
概括
本研究介绍了一种使用卷积神经网络 (CNN) 和可解释AI (XAI) 的定制AI模型,用于从CT扫描中准确地分类肺癌亚型. 人工智能实现了93.06%的准确性,改善了早期检测和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌是全球癌症死亡的主要原因,晚期检测限制了治疗疗效和生存率.
- 肺癌的传统CT图像分析是主观的,耗时的,容易出现错误,阻碍了早期诊断.
- 精确的肺癌亚型分类对于有效的治疗计划和改善患者预后至关重要.
研究的目的:
- 开发和验证一个定制的卷积神经网络 (CNN) 模型,使用CT图像可靠地分类肺癌亚型 (状细胞癌,大细胞癌,腺癌).
- 整合可解释的AI (XAI) 技术,特别是梯度加权类激活映射 (Grad-CAM),以提高模型透明度和临床解释性.
- 展示人工智能驱动方法的潜力,以提高早期肺癌检测的准确性和效率.
主要方法:
- 开发一个定制的卷积神经网络 (CNN) 架构,用于肺癌亚型分类.
- 应用梯度加权类激活映射 (Grad-CAM) 用于可视化和解释模型预测.
- 在计算机断层扫描 (CT) 图像的全面数据集上对模型进行培训和验证.
- 使用准确性,精度,回忆和F1分数来评估模型性能.
主要成果:
- 定制的CNN模型在分类肺癌亚型方面实现了93.06%的整体准确性.
- 该模型在所有癌症类型中表现出强的性能,具有强大的精度,回忆和F1分数.
- 格拉德-CAM可视化提供了临床相关的解释性,有助于理解模型的诊断推理.
结论:
- 拟议的AI模型,结合CNN和XAI,为CT图像的肺癌亚型分类提供了高度准确和可解释的解决方案.
- 这种方法有可能显著提高早期肺癌检测率,并通过提供可靠和透明的诊断支持来提高患者的生存率.
- 可解释AI特征的整合确保了临床验证,并促进了AI工具在常规瘤诊断中的采用.
