相关实验视频
Updated: Jun 15, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
用于胃癌检测的可解释深度学习:人工智能架构和可解释性分析的融合
Junjie Ma1, Fang Yang2, Rong Yang3
1Department of Gastrointestinal Surgery, Shanxi Province Cancer Hospital/Shanxi Hospital Affiliated to Cancer Hospital, Chinese Academy of Medical Sciences/Cancer Hospital Affiliated to Shanxi Medical University, Taiyuan, Shanxi, China.
Frontiers in immunology
|June 13, 2025
概括
结合VGG16,RESNET50和MobileNetV2的新型深度学习融合模型在胃癌检测中实现了97.8%的准确性. 使用LIME的可解释AI (XAI) 为临床应用提供了透明的见解.
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:
- 胃癌病例正在上升,需要提高诊断准确性和及时性.
- 传统的检测方法缺乏可解释性和精度,凸显了对可解释AI解决方案的需求.
- 现有的癌症检测深度学习模型需要提高准确性和透明度.
研究的目的:
- 开发一种新的深度学习 (DL) 融合方法,用于准确和可解释的胃癌检测.
- 整合视觉几何组 (VGG16),剩余网络-50 (RESNET50) 和移动NetV2 进行强大的特征提取.
- 采用局部可解释的模型不可知解释 (LIME) 来提高决策透明度.
主要方法:
- 开发了一个DL融合模型,结合了VGG16,RESNET50和MobileNetV2.
- 融合方法利用了强大的特征提取和图像分析的全球上下文理解.
- 局部可解释的模型不可知解释 (LIME) 用于模型的可解释性和可视化.
主要成果:
- 拟议的DL融合模型实现了7%的精度提升,达到97.8%的精度.
- 单个DL模型的性能被融合方法所超越.
- LIME可视化确定了对胃癌检测有贡献的关键图像区域.
结论:
- 由于DL融合模型的提高准确性和可解释性,使其非常适合临床应用.
- 通过提供解释,帮助医疗从业者,LIME确保了人工智能预测的可靠性.
- 这项研究为人工智能驱动的,可靠的癌症检测系统做出了贡献,以改善患者的治疗结果.
