可解释的人工智能用于诊断和肝硬化病的分期使用堆叠合奏和多任务学习
1Department of Computer Engineering, Faculty of Engineering and Natural Sciences, Kırıkkale University, Kırıkkale 71450, Türkiye.
Diagnostics (Basel, Switzerland)
|May 14, 2025
概括
这项研究引入了一个深度学习框架,用于通过MRI扫描来诊断和分期肝硬化,从而实现高精度. 可解释的AI方法提高了放射科医生的诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 肝硬化是一个重大的全球健康挑战,死亡率不断上升.
- 早期和准确的肝硬化诊断对于有效的患者管理至关重要.
- 目前的诊断方法需要提高准确性和可靠性.
研究的目的:
- 开发一个深度学习框架,以使用T2加权MRI自动诊断和肝硬化病的分期.
- 通过可解释AI (XAI) 提高诊断准确性,可靠性和透明度.
- 为临床实践中的放射科医生提供决策支持工具.
主要方法:
- 一种混合深度学习模型,集成堆叠集体学习,多任务学习 (MTL) 和转移学习.
- 使用预训练的卷积神经网络 (VGG16,MobileNet,DenseNet121) 与XGBoost作为一个元分类器.
- 整合了可解释的AI (XAI) 技术,特别是Grad-CAM,用于模型透明度.
主要成果:
- 在对健康病例与肝硬化病例的二元分类中实现了高精度 (96.92%).
- 在肝硬化阶段 (轻度,中度,严重) 中表现强,准确率为96.71%,AUC为99.81%.
- 通过突出显示相关图像区域,Grad-CAM可视化证实了模型的可解释性.
结论:
- 拟议的深度学习框架为肝硬化诊断和分期提供了一种可靠和透明的方法.
- 这种人工智能驱动的方法可以作为放射科医生有价值的决策支持系统.
- 有可能改善早期检测,个性化治疗计划和肝硬化管理中的患者结果.
