一种混合人工智能方法用于肺癌分类,使用可解释的人工智能技术.
Resham Raj Shivwanshi1, Neelam Shobha Nirala1
1Department of Biomedical Engineering, National Institute of Technology Raipur, 492010, India.
概括
这项研究引入了一种混合人工智能模型,用于CT扫描中检测肺癌,实现高精度. 可解释的人工智能有助于理解改进计算机辅助诊断系统的模型决策.
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:
- 计算机辅助诊断 (CAD) 系统用于肺癌 (LC) 分析CT图像,由于复杂的图像结构和异常位置而面临挑战.
- 为LC CAD系统提取相关信息很困难,阻碍了有效的模型开发.
研究的目的:
- 提出用于肺癌恶性瘤分类的混合人工智能方法,以帮助研究人员设计模型性能.
- 通过可解释的人工智能改进LC CAD系统的决策过程.
主要方法:
- 该IncCat-LCC:解释器方法结合了手工制作的放射性特征 (HcRdF),InceptionNet CNN特征 (INCF) 和视觉变压器特征 (ViTF) 来进行提取.
- 功能选择是使用XGBOOST (XGB) 进行的,其次是基于GPU的CATBOOST (CB) 分类.
主要成果:
- 该框架在肺结节多类恶性瘤分类方面取得了高性能.
- 关键指标包括准确性 (96.74%),精度 (93.68%),回忆力 (96.74%),F1得分 (95.19%),特异性 (98.47%) 和正常类的AUC (99.76%).
结论:
- 可解释AI (XAI) 提供对模型性能和统计结果的洞察,帮助读者理解.
- 这项工作可以通过使用XAI来识别有助于提高性能和可靠性的因素来增强现有的LC CAD系统.
