使用YOLOv8和GradCAM进行细胞癌分级的多阶段框架,以提高诊断准确度和透明度
Amna Bamaqa1, Wedad O Alahamade2
1Department of Computer Science and Information, Applied College, Taibah University, Madinah, 42353, Saudi Arabia. abamaqa@taibahu.edu.sa.
Scientific reports
|October 9, 2025
概括
一个新的AI框架通过使用YOLOv8和GradCAM准确分类细胞癌 (RCC) 来提高癌诊断. 这种方法提高了准确性和可解释性,提高了临床医生对诊断系统的信心.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 癌 (细胞癌 (RCC)) 的发病率正在全球上升.
- 传统的基因病理学对RCC的分级是耗时的,易出错的,缺乏可扩展性.
- 对于RCC分级,需要先进,准确和可解释的诊断工具.
研究的目的:
- 开发和验证一个新的多相AI分类框架,用于准确的RCC分级.
- 将YOLOv8集成为高精度分级和GradCAM用于模型解释性.
- 通过提高诊断精度和临床医生信任来解决当前RCC分级系统的局限性.
主要方法:
- 开发了一个使用YOLOv8对象检测和GradCAM进行解释的多相分类框架.
- 该框架采用级联方法,逐步完善WHO/ISUP等级.
- 实现了一个独特的"避免错误传播层",以保持跨阶段的高可信度预测.
主要成果:
- 该框架在公开的RCC数据集上实现了高性能指标:97.51%的准确性,93.72%的精度,93.28%的回忆,98.32%的特异性和93.35%的F1得分.
- 整合GradCAM提供了视觉解释,提高了模型的透明度.
- 多相方法与错误减轻有效地提高了分级准确性.
结论:
- 拟议的AI框架通过提供准确和可解释的RCC分级,在癌诊断方面取得了重大进展.
- 这种方法克服了手动组织病理学的局限性,提供了可扩展和可靠的解决方案.
- 高精度和透明度的结合对于临床采用和增强临床医生对人工智能驱动诊断的信心至关重要.
