利用可解释的人工智能为透明和可靠的癌症检测系统

科学领域:

• 癌症学
• 人工智能
• 医疗诊断

背景情况:

• 及时发现癌症对于改善患者的治疗结果至关重要.
• 人工智能 (AI),特别是深度学习 (DL),在癌症诊断方面表现有前途,但面临透明度挑战.
• 可解释的人工智能 (XAI) 通过提高人工智能模型的可解释性和透明度提供解决方案.

研究的目的:

• 系统地审查XAI在各种癌症类型的癌症检测中的最新应用.
• 根据癌症类型,可解释性方法,数据集使用,模拟环境和安全考虑,对XAI技术进行分类.
• 确定目前在瘤学中可靠和可解释的人工智能方面的挑战和研究缺口.

主要方法:

• 对近期XAI在癌症检测中的应用进行系统的文献审查.
• 根据癌症类型对研究进行分类 (乳腺癌,皮肤癌,肺癌,结肠直肠癌,脑癌等). ) 的情况.
• 对可解释性方法,数据集利用,模拟环境和安全方面的分析.

主要成果:

• 在31%的模型中使用卷积神经网络 (CNN).
• SHAP是最常见的解释性框架 (44.4%).
• 只有7.4%的研究涉及安全问题,而Python是主要的编程语言 (32.1%).

结论:

• XAI对于癌症诊断中的透明和可解释的人工智能越来越重要.
• 需要进一步研究以解决安全问题,并推进可信的人工智能在瘤学中的应用.
• 这篇评论为未来的癌症检测研究提供了路线图.