在医学图像分类中的因果推理混合原型校正
Zhi-Liang Hong1,2,3, Jian-Chuan Yang1,2,3, Xiao-Rui Peng4
1Shengli Clinical Medical College of Fujian Medical University, Fuzhou, China.
Scientific reports
|September 29, 2025
概括
医学图像的异质性挑战了诊断. 我们引入因果推断混合原型校正 (MPCCI),通过解决医疗图像中的混因素来提高深度学习的诊断准确性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 机器学习中的因果推理.
- 生物医学数据分析
背景情况:
- 医学图像异质性对准确的疾病诊断提出了重大挑战.
- 当前的深度学习模型经常忽视异质性对图像特征和诊断标签之间的因果关系的影响.
- 解决看不见的混因素对于可靠的医学图像诊断至关重要.
研究的目的:
- 提出一种新的方法,因果推理混合原型校正 (MPCCI),以减轻医学图像中混因素的影响.
- 在医疗图像异质性存在的情况下,提高深度学习模型的诊断准确性和可靠性.
- 将因果推理原则纳入医疗图像分析的深度学习模型设计.
主要方法:
- 拟议的MPCCI方法整合了使用前门调整的因果推理组件与适应式培训策略.
- 多视图特征提取 (MVFE) 模块建立调解器,而混合原型校正 (MPC) 模块执行因果干预.
- 适应性培训策略使用信息纯度和成熟度指标进行稳定模型培训.
主要成果:
- 在四个不同的医学图像数据集 (CT和超声波) 上进行的实验评估证明了MPCCI方法的有效性.
- 与现有方法相比,MPCCI方法显著提高了诊断准确度.
- 拟议的方法在处理异质医学图像数据方面显示出卓越的可靠性.
结论:
- 通过考虑异质性和混因素,MPCCI方法为增强基于深度学习的医学图像诊断提供了一个强大的解决方案.
- 将因果推理集成到深度学习模型中,是改善医疗诊断系统的一个有希望的方向.
- 开发的方法有可能提高AI驱动的诊断工具在医疗保健中的可靠性和准确性.
