层次化的猪变压器组合与可解释的AI,用于稳健和分散的乳腺癌诊断
Md Redwan Ahmed1, Hamdadur Rahman2, Zishad Hossain Limon3
1Department of Computer Science and Engineering, East West University, Dhaka 1212, Bangladesh.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
这项研究介绍了BreastSwinFedNetX,这是一种使用联合学习准确检测乳腺癌的AI系统. 它增强了跨多个数据集的隐私和性能,提供了一个可靠的诊断工具.
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
- 计算病理学计算病理学
背景情况:
- 早期发现乳腺癌可显著降低死亡率.
- 深度学习模型在医疗保健中面临挑战,包括数据隐私,过拟合和可解释性.
- 联合学习 (FL) 为协作人工智能模型培训提供了一种保护隐私的方法.
研究的目的:
- 为乳腺癌诊断开发一个强大且保护隐私的AI系统.
- 解决医疗保健环境中传统深度学习模型的局限性.
- 为了提高人工智能驱动的乳腺癌检测的准确性和可解释性.
主要方法:
- 提出了BreastSwinFedNetX,这是一个支持联合学习 (FL) 的集体系统.
- 结合了四个层次的Swin变压器变体 (Tiny, Small, Base, Large) 与一个随机森林 (RF) 超学习器.
- 利用FL进行分散的培训,保持数据的本地化和隐私.
- 集成可解释AI (XAI) 使用Grad-CAM进行特征可视化.
主要成果:
- 在五个基准数据集中实现了高性能:BreakHis,BUSI,INbreast,CBIS-DDSM和一个组合数据集.
- 在BreakHis上报告了99.34%的F1得分,在INbreast上报告了98.89%的PR AUC,在组合数据集上报告了99.61%的MCC.
- 通过广泛的剥离研究,证明了强大的概括性和稳定性.
结论:
- BreastSwinFedNetX为现实世界乳腺癌诊断提供了一个可扩展和可靠的AI解决方案.
- FL方法确保数据隐私和安全,符合GDPR和HIPAA.
- 整合XAI提高了透明度,并促进了临床采用.
