一个可通过设计解释的端到端人工智能框架,基于原型部分学习,用于在数字乳腺图解图像中检测和分类病变
Andrea Berti1,2,3, Camilla Scapicchio2,4, Chiara Iacconi5
1Institute of Information Science and Technologies (ISTI) - National Research Council of Italy (CNR), Via Giuseppe Moruzzi, 1, Pisa, 56127, Italy.
Computational and structural biotechnology journal
|July 2, 2025
概括
这项研究引入了一种透明的AI系统,用于分析数字乳腺图解 (DBT) 扫描,改善早期乳腺癌检测. 人工智能提供了准确的预测和解释,帮助放射科医生和增强患者的结果.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要癌症,需要有效的早期检测方法.
- 数字乳房断层合成 (DBT) 提供了比乳房扫描更好的清晰度,但产生大型数据集,挑战及时分析.
- 医疗诊断中的当前人工智能往往缺乏透明度,阻碍了临床信任和采用.
研究的目的:
- 开发和评估一个透明的人工智能 (AI) 系统,用于DBT扫描的加快和可解释的分析.
- 使用人工智能提高乳腺癌病变检测和分类的准确性和效率.
- 提供可解释的预测,支持乳腺癌查的临床决策.
主要方法:
- 采用了两阶段的深度学习方法,利用YOLOv5和YOLOv8进行病变检测.
- 研究了一种组合方法,以提高病变检测性能.
- 使用透明神经网络ProtoPNet,将检测到的病变分为良性或恶性类别.
主要成果:
- 人工智能系统实现了0.76的检测回忆率和0.70的分类准确率.
- 专家放射科医生提供了积极的临床反,验证了该系统的潜在临床相关性.
- 指出了数据集的局限性和注释准确性的挑战,影响了最终的指标值.
结论:
- 开发的AI系统在DBT扫描的及时和准确分析方面取得了重大进展.
- 透明度和可解释性对于AI系统在医学诊断中至关重要,特别是在乳腺癌查中.
- 这项研究为通过可解释的人工智能改善早期乳腺癌检测和患者结果铺平了道路.
