基于深度学习的图像分类,用于将病理学和放射学整合到人工智能辅助的医学成像中

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 病理学和放射学整合 病理学和放射学整合

背景情况:

• 医疗成像中的当前人工智能面临着多模式数据,数据集失衡,可解释性和不确定性量化方面的挑战.
• 这些局限性阻碍了人工智能系统的临床部署,需要更强大,更适应性的解决方案.
• 整合病理学和放射学对于提高诊断准确性和临床工作流程至关重要.

研究的目的:

• 引入一个新的AI框架,域信息自适应网络 (DIANet) 和一个自适应临床工作流集成 (ACWI) 战略.
• 解决医疗成像当前人工智能的局限性,包括多模式分析,不平衡的数据集和可解释性.
• 为了提高医疗成像中的诊断准确度,细分精度和重建准确度.

主要方法:

• 开发了DIANet,使用多级特征提取,域特定的 priors 和贝叶斯不确定性建模.
• 在DIANet中集成适应性学习机制,以处理域移位和不平衡的数据集.
• 实施了ACWI战略,包括可解释的AI (XAI),不确定性意识决策支持和PACS兼容的模块化集成.

主要成果:

• 在各种医学成像模式中显示出诊断准确度的显著改善.
• 在医疗图像细分任务中实现了更高的精度.
• 验证了改进的重建保真性,展示了框架的有效性.

结论:

• 拟议的DIANet和ACWI框架有效地弥合了AI创新和医学成像中的临床实用性之间的差距.
• 该框架为现实世界的临床应用提供了增强的解释性,稳定性和适应性.
• 这种综合性方法具有很大的潜力,可以提高病理学和放射学中的诊断能力和临床工作流程.