下一代肺部疾病诊断与可解释的人工智能
Nirmala Veeramani1, Reshma Sherine S A2, Sakthi Prabha S2
1School of Computing, SASTRA Deemed University, Thirumalaisamudram, 613401, Thanjavur, Tamilnadu, India. nirmalaveeramani@ict.sastra.ac.in.
Scientific reports
|September 26, 2025
概括
这项研究介绍了XAI-TRANS,这是一个新的可解释的人工智能模型,用于胸部X射线分析. 它提高了肺病分类的准确性,并提供可靠的AI预测,以获得更好的医疗保健结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 胸部X射线 (CXR) 对于诊断COVID-19,肺炎和结核等肺部疾病至关重要.
- 由于重叠的特征,CXR的手动解释是困难的,需要先进的诊断工具.
- 人工智能 (AI) 提供了潜力,但由于其"黑子"性质,缺乏信任.
研究的目的:
- 开发一种新的可解释AI (XAI) 模型,XAI-TRANS,用于从CXR图像中对肺部疾病进行多类分类.
- 在CXR解释中解决重叠放射性特征的挑战.
- 提高AI预测在医学诊断中的可靠性.
主要方法:
- 提出了一个新的XAI-TRANS模型,利用基于初始的转移学习来进行CXR分类.
- 实施了改进的U-Net用于肺部细分,以提取关键的放射性特征.
- 整合可解释的人工智能技术 (LIME和Grad-CAM) 以实现模型透明度.
主要成果:
- 在多类肺病分类中达到98%的最大精度和97%的准确性.
- 通过利用XAI技术进行增强的预测解释,证明了4.75%的改善.
- 成功地将"黑盒"AI转换为透明的"玻璃盒"模型.
结论:
- XAI-TRANS模型有效地从高精度的CXR图像中对肺部疾病进行分类.
- 可解释的人工智能显著提高了人工智能驱动的医学诊断的可靠性和解释性.
- 这种方法增强了诊断信心,并支持肺部疾病评估中的临床决策.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
2.0K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
