将可解释的人工智能的先进算法与混合模型进行协同,以改善医疗保健中的大脑瘤检测

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:

• 脑瘤诊断依赖于医学图像 (MRI,CT) 的专家解释,这可能是劳动密集型和容易出错的.
• 机器学习 (ML) 和深度学习 (DL) 提供先进的图像分析,但由于其"黑子"性质,往往缺乏透明度,这引发了对临床信任的担忧.
• 可解释的人工智能 (XAI) 对于理解医疗保健中的DL模型预测至关重要,增强可信度和临床采用.

研究的目的:

• 从MRI数据开发一个可解释的混合AI框架,用于准确和可解释的脑瘤分类.
• 将DenseNet201集成用于特征提取和支持向量机 (SVM) 进行分类,并通过XAI技术进行增强.
• 为改善脑瘤诊断和治疗规划提供透明可靠的临床决策支持工具.

主要方法:

• 这是一个混合框架,它结合了DenseNet201用于深度特征提取和SVM用于脑瘤的二进制分类.
• 实施适应区域的预处理管道,以改善MRI扫描中的瘤可见性和特征清晰度.
• 集成多种XAI技术,包括Grad-CAM,集成梯度 (IG) 和层层相关性传播 (LRP),以实现模型可解释性.

主要成果:

• 拟议的可解释混合框架实现了高诊断性能,精度达到0.9801.
• 层级相关性传播 (LRP) 在可解释性指标方面表现出卓越的表现,达到98.64%的准确性.
• 该模型在灵敏度 (0.9223),特异性 (0.9909),精度 (0.9154) 和F1得分 (0.9360) 中表现出强的性能.

结论:

• 开发的可解释AI框架为脑瘤提供了透明和高度准确的诊断预测.
• 整合XAI技术提高了AI模型在医学成像中的可靠性和临床实用性.
• 这种方法可以作为一个可靠的临床决策支持工具,显示出对现实世界脑瘤诊断和个性化治疗策略的巨大潜力.