可以解释的大脑瘤检测的深度学习框架:整合LIME,Grad-CAM和SHAP以提高准确性
Abdurrahim Akgündoğdu1, Şerife Çelikbaş2
1Electrical Electronics Engineering, Istanbul University-Cerrahpaşa, Istanbul, 34093, Istanbul, Turkey.
Medical engineering & physics
|September 9, 2025
概括
像LIME,Grad-CAM和SHAP这样的可解释AI (XAI) 技术显著改善了大脑瘤检测的深度学习模型. 这使得BRATS2019数据集的模型精度从97.20%提高到99.40%.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 深度学习可以提高疾病的诊断,但往往缺乏透明度.
- 人工智能决策系统需要提高临床信任的解释性.
- 脑瘤检测是人工智能在医疗保健中的关键应用.
研究的目的:
- 为了提高深度学习模型的可解释性和训练性能,用于脑瘤检测.
- 将可解释的人工智能 (XAI) 技术集成到一个卷积神经网络 (CNN) 中.
- 验证XAI在提高诊断准确性和模型可靠性的有效性.
主要方法:
- 在CNN模型中采用了两阶段的培训方法.
- 使用了可解释AI (XAI) 方法,包括局部可解释模型不可知解释 (LIME),梯度加权类激活映射 (Grad-CAM) 和沙普利增量解释 (SHAP).
- 生成的XAI面罩被用于增强数据集以改善训练.
主要成果:
- 最初的CNN模型在BRATS2019数据集上实现了97.20%的准确性.
- 整合LIME,Grad-CAM和SHAP面罩提高了准确度至99.40%,灵敏度为99.20%,特异性为99.60%,ROC-AUC为99.90%.
- 该模型证明了可通用性,在BR35H数据集上,准确性从96.80%增加到99.80%.
结论:
- XAI技术显著提高了用于脑瘤检测的深度学习模型的性能和可解释性.
- 拟议的方法提供了一种可靠和稳定的策略,用于提高AI在医学成像中的诊断准确性.
- 集成XAI对于开发可靠和有效的AI驱动的临床决策支持系统至关重要.
