低成本的肺癌早期诊断工具:在临床系统中可解释的AI
Anu Maria Sebastian1,2, David Peter2, T P Rajagopal3
1Department of Computer Science and Engineering, Indian Institute of Information Technology, Kottayam, Kerala, India.
Technology in cancer research & treatment
|August 14, 2025
概括
这项研究引入了一个可解释的人工智能 (XAI) 模型,使用临床数据进行更安全,更实惠的肺癌诊断. 该模型表现出强的性能,并改善了罕见病例的检测,提供了一个有前途的预先查工具.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 肺癌是全球死亡率最高的疾病,通常是由于诊断和治疗延迟.
- 目前的诊断方法,如放射学,带有健康风险,而先进的替代方法是昂贵的和难以获得的.
- 机器学习和人工智能提供更安全,更具包容性和负担得起的诊断解决方案,但缺乏临床解释性.
研究的目的:
- 利用可解释的人工智能 (XAI) 和常规临床数据,开发一种安全,包容和具有成本效益的肺癌诊断方法.
- 提高AI模型用于肺癌检测的诊断性能和可解释性.
- 为应对诊断罕见肺癌病例的挑战,并改善临床医生采用人工智能工具.
主要方法:
- 开发了一个XAI模型,使用人工神经网络 (ANN) 和深度神经网络 (DNN) 的堆叠组合.
- 纳入了使用自适应合成采样 (ADASYN) 改进检测具有挑战性的诊断的罕见医学病例.
- 利用夏普利增材解释 (SHAP) 进行模型解释性和反事实解释,以识别误诊因素.
主要成果:
- 该XAI模型实现了高性能:0.8558准确度,0.8600AUC,0.8092精度,0.9282回忆,和0.8646F1得分.
- 罕见病例的检测能力提高了50%以上,表明了识别具有挑战性的诊断能力的提高.
- SHAP分析确定了关键的诊断特征,包括红细胞沉率 (ESR),中毒因子,血红蛋白和中性粒细胞计数,揭示了新的关联,如烟草使用和ESR.
结论:
- 开发的XAI模型显示出作为早期肺癌检测的预查工具的巨大潜力.
- 该模型的可解释性和改进的罕见病例检测提高了其适用于临床支持的适度.
- 使用更大,更多样化的数据集进行进一步开发,可能会导致针对肺癌的强大且可扩展的AI驱动的诊断解决方案.
