在乳腺癌中使用深度学习和特征归因来识别具有临床意义的发现,这些发现来自高分辨率乳房造影的局部视图
Diego Mellado1,2,3,4, Leondry Mayeta-Revilla1,2,4, Julio Sotelo5
1PhD. Program in Health Sciences and Engineering, Universidad de Valparaíso, Valparaíso, Chile.
Frontiers in oncology
|October 9, 2025
概括
一个可解释的算法CorRELAX通过生成热图来提高深度神经网络 (DNN) 在乳腺癌检测的强度. 这种人工智能驱动的方法提高了诊断可靠性,特别是在资源有限的环境中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期通过乳房扫描检测乳腺癌对生存至关重要,但人工智能采用受到缺乏可解释性的阻碍.
- 深度神经网络 (DNN) 模型显示高精度,但需要可解释的临床信任方法.
研究的目的:
- 介绍CorrELAX,一种可解释的算法,用于量化乳房图像中的局部区域相关性.
- 通过提高可解释性,提高DNN在乳腺癌查中的临床实用性.
主要方法:
- 通过特征相关性,CorRELAX评估了当地信息对全球DNN决策的贡献.
- 在多尺度病变作物上训练的DNN生成用于病变定位的热图.
- 该算法产生粗细分地图,用于增强自动检测.
主要成果:
- 在VinDr-Mammo数据集上,CorRELAX获得了F1评分,化为0.8432和质量为0.7392.
- 指针游戏的准确度为0.6358 (模型预测) 和0.5602 (相关图),表明了强大的本地化.
- 产生了可解释的热图,增强了自动化病变检测.
结论:
- CorRELAX提供可解释的细分图,改进了基于人工智能的乳腺癌检测在乳房摄影.
- 该算法解决了AI整合到临床工作流中的关键障碍,促进了可靠的决策.
