用于口腔癌诊断的可解释人工智能:基因病理图像的多类分类和Grad-CAM可视化

科学领域:

• 癌症学
• 数字病理学
• 医学的人工智能

背景情况:

• 口腔癌的诊断依赖于组织学检查,由于瘤异质性而容易受到主观解释和变化.
• 观察者间和观察者内部的细胞病理变异可能会影响患者的治疗计划.
• 人工智能提供计算解决方案以提高诊断准确性和一致性.

研究的目的:

• 开发和评估一种两步人工智能方法,用于使用组织病理图像进行口腔状细胞癌 (OSCC) 的自动多类分级.
• 利用Grad-CAM可视化进行解释,突出显示对人工智能驱动诊断至关重要的图像区域.
• 帮助临床医生更准确,更可靠地诊断OSCC.

主要方法:

• 使用Xception架构对口腔组织病理图像进行基于AI的多类分级.
• 第二步涉及Grad-CAM (梯度加权类激活映射),用于可视化AI模型的决策过程.
• 使用曲线下的面积 (AUC) 度量,包括AUC_宏和AUC_微来量化性能.

主要成果:

• Xception 架构表现出高分类性能,AUC_宏值为 0. 929 (±σ = 0. 087) 和AUC_微值为 0. 942 (±σ = 0. 074).
• Grad-CAM成功提供了视觉解释, 确定了特定的图像区域,
• 综合人工智能系统显示,它有可能减少口腔癌的诊断主观性.

结论:

• 人工智能算法,特别是Xception架构,显示出从组织病理图像中准确和一致地分类口腔状细胞癌的显著前景.
• 人工智能与Grad-CAM等可视化技术的整合提高了诊断透明度和信任度.
• 这种人工智能驱动的方法为口腔癌诊断提供了更精确,更可靠,更有效的工具,