通过使用DY-FSPAN在组织病理图像中实现自动化和可靠的肺癌检测:用于可解释AI的特征总结金字塔式注意网络

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 准确的医学图像分类对于疾病诊断至关重要.
• 当前的模型往往难以平衡性能和可解释性.
• 在医学诊断中需要先进的深度学习框架.

研究的目的:

• 引入基于扩展Y块的特征总结金字塔注意力网络 (DY-FSPAN) 进行强大的医疗图像分类.
• 在深度学习模型中增强空间特征表示并保持受感场的连贯性.
• 提高AI在医疗决策中的可解释性和可信度.

主要方法:

• 开发了一个新的深度学习框架,DY-FSPAN,结合Y块和注意力机制.
• 整合了特征总结和金字塔式注意力,以增强空间特征提取.
• 使用Grad-CAM可视化特征图和评估诊断相关性.

主要成果:

• 实现了98.5%的分类准确度,超过了现有的最先进的方法.
• 与卷积块注意力网络,对抗性学习模型和3D CNNs相比,表现出更高的性能.
• 格拉德-CAM分析证实了该模型的重点是诊断相关的区域.

结论:

• DY-FSPAN为准确和可解释的医疗图像分类提供了一个有前途的解决方案.
• 注意力机制的整合和优化的特征选择显著推进了自动医疗诊断.
• 该模型定位疾病特征的能力支持其临床部署的潜力.