用放射学驱动的神经模糊框架来生成规则,以提高基于MRI的大脑瘤细分的可解释性

科学领域:

• 医疗成像中的人工智能
• 机器学习用于瘤学
• 神经成像分析分析 神经成像分析

背景情况:

• 大脑瘤是一个重大的全球健康问题,需要准确和及时的诊断.
• 深度学习 (DL) 模型在基于MRI的瘤细分方面表现出色,但缺乏临床解释性.
• DL模型的"黑盒子"性质阻碍了它们在临床实践中的采用.

研究的目的:

• 开发一个混合人工智能框架,整合DL进行细分和放射学进行解释性.
• 通过透明的决策规则,提高AI在脑瘤诊断中的临床实用性.
• 在神经瘤学中平衡高诊断性能与可解释AI (XAI).

主要方法:

• 使用3D U-Net卷积神经网络进行基于MRI的瘤细分.
• 放射性特征被提取出来,并使用机器学习应用维度缩小.
• 适应性神经模糊推理系统 (ANFIS) 从选定的放射性特征生成可解释的决策规则.

主要成果:

• 在BraTS2020数据集上获得了瘤核心的82.94%的DICE分数和瘤细分的76.06%.
• 证明了高分类准确性:95.43% (二进制) 和92.14% (多类).
• 产生了18个简洁的模糊规则,提供了临床上可解释的输出.

结论:

• 混合人工智能框架成功地将高诊断精度与增强的可解释性相结合.
• 整合ANFIS和放射学解决了临床环境中DL模型可解释性的关键障碍.
• 这种方法促进了人工智能工具在对脑瘤的医学诊断援助中更大的信任和适用性.