可解释的深层堆叠组合模型,用于准确和透明的脑瘤诊断
Rezaul Haque1, Mahbub Alam Khan2, Hamdadur Rahman3
1Department of Computer Science and Engineering, East West University, A, 2 Jahurul Islam Ave, Dhaka, 1212, Bangladesh.
Computers in biology and medicine
|April 18, 2025
概括
这项研究引入了一种强大的AI模型,用于MRI扫描中检测脑瘤,实现高精度并为临床使用提供可解释的结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和放射学 在线诊断
背景情况:
- 在MRI中早期发现脑瘤对于治疗成功至关重要.
- 深度学习模型在有限的数据多样性,类不平衡和可解释性方面扎.
- 现有研究通常使用小的,单一来源的数据集,而不结合多样化的特征提取.
研究的目的:
- 为多类脑瘤分类开发一个强大的和可解释的堆叠组合模型.
- 通过结合多个深度学习架构来增强功能聚合和分类准确性.
- 提高AI在脑瘤诊断中的可靠性和临床适用性.
主要方法:
- 一个堆叠组合模型,集成了EfficientNetB0,MobileNetV2,GoogleNet和多层次的CapsuleNet与CatBoost元学习器.
- 通过合并来自BraTS,Msoud,Br35H和SARTAJ的数据,创建两个大型MRI数据集.
- 应用边界线-SMOTE,数据增强,PCA和灰狼优化 (GWO) 来解决阶级不平衡和提取特征.
主要成果:
- 在M1上获得97.81%的F1分数和98.75%的PR AUC,在M2上获得98.32%的F1分数和99.34%的PR AUC.
- 与最先进的CNN,视觉转换器和其他组合方法相比,表现出卓越的性能.
- 开发了一个可解释的AI (XAI) 基于网络的工具,用于临床交互和决策关键区域的可视化.
结论:
- 拟议的整体模型为脑瘤分类提供了可靠,可扩展和高效的解决方案.
- 多种深度学习模型和先进的优化技术的整合提高了诊断的准确性和稳定性.
- 开发的XAI工具弥合了先进AI和临床实践之间的差距,有助于早期和准确的脑瘤检测.
