基于深度学习的图像分类,用于在医学成像中以人工智能辅助整合病理学和放射学
Lanting He1, Lan Luan2, Dan Hu3
1School of Optoelectronics, Beijing Institute of Technology, Beijing, China.
Frontiers in medicine
|June 18, 2025
概括
这项研究引入了用于医学成像的AI框架,通过整合病理学和放射学来增强诊断. 新的自适应多分辨率成像网络 (AMRI-Net) 和可解释域自适应学习 (EDAL) 提高了准确性和可解释性.
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
- 深度学习用于诊断.
背景情况:
- 传统的医学图像分类面临着复杂,异构的数据集和解释性需求的挑战.
- 整合病理学和放射学数据对于准确的诊断和优化临床工作流程至关重要.
- 现有的人工智能方法在多模式数据,类不平衡和确保临床信任方面扎.
研究的目的:
- 为人工智能辅助的医学成像任务开发一个创新的深度学习框架.
- 通过整合病理学和放射学来提高诊断准确度和优化临床工作流程.
- 提高医疗成像中的AI模型的概括性和解释性.
主要方法:
- 引入自适应多分辨率成像网络 (AMRI-Net) 用于多分辨率特征提取和注意力引导的融合.
- 实施可解释域-适应性学习 (EDAL) 战略,以提高域概括性和不确定性意识预测.
- 利用基于注意力的解释性工具来突出关键的图像区域以提高透明度.
主要成果:
- 拟议的框架在多模式医学成像数据集上实现了卓越的性能.
- 分类准确率高达94.95%和F1分数高达94.85%. 它们的分类准确率高达94.95%.
- 结果表明,人工智能驱动的诊断提高了透明度和临床信任.
结论:
- 由人工智能驱动的框架有效地弥合了病理学和放射学之间的差距.
- 该研究为医学成像中的精度,可靠性和可解释性提供了全面的解决方案.
- 这一进步与现代医疗保健对人工智能辅助诊断的不断变化的需求保持一致.
