LDD-VTS:基于人工智能的框架,用于使用视觉转换器和SHAP诊断肺部疾病
Hossam Magdy Balaha1,2, Rawan Ayman Ahmed1, Magdy Hassan Balaha3
1Bioengineering Department, J.B. Speed School of Engineering, University of Louisville, Louisville, 40292 USA.
Health information science and systems
|August 4, 2025
概括
这项研究介绍了LDD-VTS,这是一种使用视觉转换器和SHAP进行精确肺部疾病诊断的AI框架. 它在检测肺癌和其他疾病方面取得了很高的准确性,改善了早期检测和治疗.
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
- 肺部病理学 肺部病理学
背景情况:
- 肺部疾病,特别是肺癌,对全球健康构成重大挑战,死亡率高.
- 目前肺部疾病的诊断方法往往缺乏所需的准确性和及时性.
- 早期和精确的诊断对于有效的患者管理和改善结果至关重要.
研究的目的:
- 开发和评估一个新的AI框架 (LDD-VTS) 以加强肺部疾病的诊断和分类.
- 利用视觉变压器 (ViT) 和SHAP,提高肺部疾病检测的准确性和可解释性.
- 处理医学成像数据 (X射线,CT扫描) 以准确识别肺部异常.
主要方法:
- 实施一个新的框架,LDD-VTS,集成视觉变换器 (ViTs) 和SHAP (SHapley增材扩展).
- 处理各种医学成像数据,包括胸部X射线和CT扫描,用于肺部疾病分析.
- 在分类任务中使用P16-224-In21K模型配置.
主要成果:
- 在IQ-OTH/NCCD肺癌数据集上,P16-224-In21K模型配置在IQ-OTH/NCCD肺癌数据集上实现了98.43%的准确性.
- 该框架在识别肺癌,病毒性肺炎和肺不透明方面表现出高精度和回忆力.
- 通过突出影响力图像区域,SHAP集成提供了对模型预测的透明见解.
结论:
- LDD-VTS框架显示了通过人工智能改变肺病诊断的巨大潜力.
- ViTs和SHAP的结合提高了诊断准确性和临床解释性.
- 这种方法促进了知情决策,促进了肺部疾病的早期检测和个性化治疗策略.
