生物转换X:一种新的基于双元的混合模型,具有双级路由注意力,用于大脑瘤分类,具有可解释的洞察力
Reenu Rajpoot1, Sweta Jain1, Vijay Bhaskar Semwal1
1Computer Science & Engineering, Maulana Azad National Institute of Technology, Bhopal, 462003, M.P, India.
Computers in biology and medicine
|June 21, 2025
概括
一个新的混合深度学习模型,BioTransX,使用MRI扫描精确检测大脑瘤. 这种可解释的AI提高了诊断效率和可解释性,改善了患者的治疗结果.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 计算神经科学是一种神经科学.
背景情况:
- 大脑瘤带来严重的危及生命的风险,需要精确和可解释的早期检测方法.
- 从MRI扫描中准确识别脑瘤传统上需要专门的专业知识,因为固有的复杂性.
- 自动检测系统为脑瘤诊断提供了潜在的准确性和解释性改进.
研究的目的:
- 介绍BioTransX,一种新的混合深度学习模型,用于增强脑瘤分类.
- 提高自动脑瘤检测系统的准确性,可解释性和效率.
- 在多个基准数据集中验证模型的性能和通用性.
主要方法:
- 开发了BioTransX,这是一个混合模型,结合了双前编码器,动态稀疏注意力变压器和集体卷积网络.
- 应用对比度有限的自适应直方体平衡 (CLAHE) 以改善图像对比度和数据质量.
- 集成的Grad-CAM和梯度注意力推出用于模型解释性,突出影响图像区域.
主要成果:
- 在KaggleMRI数据集上达到99.29%的平均准确度和F1得分,用于多类脑瘤分类.
- 在BraTS和Figshare基准数据集中表现出一致的高性能,验证了通用性.
- 基于变压器的混合模型显示出有希望的可解释的识别能力,具有显著的计算效率.
结论:
- BioTransX为大脑瘤检测提供了一个高度准确和可解释的解决方案,超越了现有的模型.
- 该模型的效率和可解释性使其适合于现实世界的临床部署,特别是在资源有限的环境中.
- 这一进步有望改变脑瘤诊断,提高医疗保健的效率和有效性.
