使用EfficientNet和梯度加权类激活映射的肺癌阶段的自动分类和可解释的AI分析
Abdulmajeed Alqhatni1, T K S Rathish Babu2, T R Mahesh3
1Department of Information Systems, College of Computer Science and Information Systems, Najran University, Najran, Saudi Arabia.
Frontiers in medicine
|September 26, 2025
概括
使用EfficientNet-B0的新型深度学习模型在从CT扫描中分类肺癌时达到99%的准确性. 使用Grad-CAM的可解释AI提高了自动化癌症诊断的透明度和可靠性.
科学领域:
- 在瘤学瘤学.
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 从CT扫描中精确地确定肺癌的阶段对于患者的预后和治疗计划至关重要.
- 传统的手动解读CT扫描可能是主观和不一致的.
- 需要自动化方法来提高肺癌分类的准确性和可靠性.
研究的目的:
- 开发和评估一种自动化的深度学习模型,用于从CT图像中分类肺癌阶段.
- 通过使用可解释AI (XAI) 技术,提高深度学习模型的可解释性和透明度.
- 提高肺癌检测的诊断准确性和可靠性.
主要方法:
- 基于EfficientNet-B0的深度学习架构用于图像分类.
- 使用梯度加权类激活映射 (Grad-CAM) 为模型预测提供视觉解释.
- 该模型使用IQ-OTH/NCCD数据集中的1,190个CT扫描进行训练和验证,分类为良性,恶性或正常.
主要成果:
- 拟议的模型实现了高性能指标:99%的准确性,99%的精度.
- 良性病例的召回率为96%,恶性病例为99%,正常病例为100%.
- 在CT扫描中,Grad-CAM成功地确定了影响分类的关键区域,提高了模型的可解释性.
结论:
- 基于EfficientNet-B0的深度学习模型在CT扫描中对肺癌进行分类方面表现出色.
- 整合Grad-CAM显著提高了自动诊断系统的可解释性和可靠性.
- 这种方法为瘤学中的医学图像分析提供了可靠和透明的工具,可能有助于临床决策.
