后期可解释的AI方法用于分析质瘤的医学图像 (-对临床应用的审查)
Hamail Ayaz1, Esra Sümer-Arpak2, Esin Ozturk-Isik2
1Center for Precision Engineering, Materials and Manufacturing Research (PEM), Faculty of Engineering and Design, Atlantic Technological university, F91 YW50, Sligo, Ireland; MathematicalesModelling and Intelligent Systems for Health and Environment (MISHE), Faculty of Engineering and Design, Atlantic Technological University, Sligo, Ireland; Faculty of Engineering and Design, Atlantic Technological University, F91 YW50, Sligo, Ireland.
本综述探讨了质瘤成像中的可解释AI (XAI),强调其在使人工智能 (AI) 决策在临床应用中变得可理解方面的作用. XAI增强了对用于脑瘤分析的深度学习模型的信任和透明度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 深度学习 (DL) 显示了使用MRI和组织病理学进行质瘤成像的潜力.
- 随着DL模型的复杂性,临床采用需要透明度.
- 了解AI模型输出对于医疗应用至关重要.
研究的目的:
- 系统地审查在质瘤成像中的后期可解释AI (XAI) 研究.
- 引入一个评估和解释质瘤DL模型的框架.
- 根据其在质瘤研究中的应用和方法,对XAI技术进行分类.
主要方法:
- 对65项临时后期XAI研究的系统审查.
- 基于梯度的XAI (G-XAI) 和基于扰乱的XAI (P-XAI) 的框架开发.
- 根据质瘤成像任务对研究进行分类 (分类,生物标志物检测等). 和XAI的方法.
主要成果:
- 在质瘤成像中发现了XAI的日益集成.
- 展示了XAI在人工智能决策和医疗诊断方面的作用.
- 同时发生的分析表明,XAI提高了模型的透明度和信任.
结论:
- 在质瘤成像中,XAI对于透明和可靠的AI越来越重要.
- 未来的研究应该集中在临床整合和用户视角上.
- 解决DL和XAI的挑战是可靠临床应用的关键.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018