一个可解释的人工智能驱动的深度神经网络,用于通过组织病理学和超声波图像准确检测乳腺癌

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 早期和准确的乳腺癌检测对于改善患者预后和降低死亡率至关重要.
• 传统的手动图像分析方法是复杂的,容易发生观察者的变化.
• 目前用于乳腺癌检测的深度学习模型往往缺乏足够的准确性和可解释性.

研究的目的:

• 利用深度学习开发一种可解释的基于人工智能的框架,用于使用深度学习准确的乳腺癌分类.
• 提高AI模型在医学图像分析中用于乳腺癌诊断的可解释性.
• 提高自动乳腺癌检测系统的稳定性和准确性.

主要方法:

• 使用Densenet121与定制的卷积神经网络 (CNN) 层开发了深度神经乳腺癌检测 (DNBCD) 模型.
• 集成转移学习,图像预处理 (规范化,大小调整) 和增强技术.
• 用Grad-CAM (梯度加权类激活映射) 来实现模型解释性和处理类不平衡的类权重.

主要成果:

• 在Breakhis-400x (B-400x) 数据集上获得了93.97%的准确性,在乳房超声波图像数据集 (BUSI) 上获得了89.87%的准确性.
• 与现有的最先进的方法相比,DNBCD模型表现出更高的性能.
• 格拉德-CAM为模型预测提供了视觉解释,提高了透明度.

结论:

• 拟议的DNBCD模型为乳腺癌检测提供了一个高度准确和可解释的解决方案.
• 可解释的人工智能方法在乳腺癌诊断中具有显著的临床应用潜力.
• 公共可访问的代码和材料促进了该领域的进一步研究和开发.