一个可解释的注意力模型,用于使用结直镜图像进行子宫癌前期风险分类
Smith K Khare1, Berit Bargum Booth2, Victoria Blanes-Vidal3
1Applied AI and Data Science Unit, Mærsk Mc-Kinney Møller Institute, Faculty of Engineering, University of Southern Denmark, Denmark; Centre for Clinical Artificial Intelligence, Odense University Hospital, Denmark.
Computer methods and programs in biomedicine
|August 7, 2025
概括
一个新的AI模型,宫-AID-Net,准确地从结肠镜图像中分类宫癌前期风险. 这种工具有助于早期检测和预防,有可能减少宫癌的全球负担.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 宫癌是一个重大的全球健康挑战,晚期诊断导致高死亡率.
- 早期检测和风险评估对于有效的宫癌预防策略至关重要.
研究的目的:
- 开发和评估子宫-AID-Net模型,以使用结肠镜图像对子宫癌前期风险进行分类.
- 通过集成的可解释AI技术,提高AI模型决策的可解释性.
主要方法:
- 宫-AID-Net模型使用卷积块注意力模块 (CBAM) 和卷积层从DYSIS大镜图像中提取特征.
- 可解释的人工智能方法包括渐变类激活地图,局部可解释模型不可知解释和CartoonX被整合到决策透明度中.
- 该模型使用持久和十倍交叉验证技术进行了评估.
主要成果:
- 宫-AID-Net模型实现了高分类准确率99.33% (持久) 和99.81% (十倍交叉验证).
- 通过识别相关的图像区域,CartoonX提供了详细的解释,提高了模型的可解释性.
- 该模型显示了高斯噪声 (高达3%) 和模糊 (高达10%) 的稳定性.
结论:
- 宫-AID-Net模型,结合CBAM和可解释AI,显示了改善宫癌前期风险评估的希望.
- 这种人工智能框架有可能对早期发现和预防宫癌产生重大影响,从而改善全球患者的治疗结果.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
377
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
247