BCECNN:一个可解释的深层集合架构,用于准确诊断乳腺癌
Uçman Ergün1, Tuğçe Çoban2, İsmail Kayadibi3
1Department of Biomedical Engineering, Faculty of Engineering, Afyon Kocatepe University, Afyonkarahisar, Turkey. uergun@aku.edu.tr.
BMC medical informatics and decision making
|October 14, 2025
概括
一个新的深度学习 (DL) 模型,乳腺癌合体卷积神经网络 (BCECNN),显著提高了乳腺癌诊断的准确性和可解释性. 这个AI工具利用集体学习和可解释AI (XAI) 来提供可靠的临床决策支持.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球癌症相关死亡的主要原因之一.
- 准确和可解释的诊断系统对于有效的乳腺癌管理至关重要.
- 当前的系统通常缺乏可解释性和可靠性,而且数据有限.
研究的目的:
- 开发一个新的深度学习 (DL) 架构,乳腺癌合奏卷积神经网络 (BCECNN).
- 提高乳腺癌检测的诊断准确性和解释性.
- 为临床医生提供可靠的AI辅助决策支持工具.
主要方法:
- 开发了BCECNN架构,结合了Triple Ensemble CNN (TECNN) 和Quintuple Ensemble CNN (QECNN) 的架构.
- 集合模型通过多数投票整合了来自AlexNet,VGG16,ResNet-18,EfficientNetB0和XceptionNet的预测.
- 应用可解释的人工智能 (XAI) 技术 (Grad-CAM,LIME) 用于在AISSLab数据集上的透明度和临床验证.
主要成果:
- 在AISSLab-v2数据集上,TECNN模型实现了98.75%的高精度.
- XAI技术显著提高了模型的解释性,与专家的临床评估保持一致.
- 证明了实用的实用性和对模型的决策过程的增强理解.
结论:
- BCECNN提供了一种有希望的方法来提高乳腺癌的诊断准确性和可解释性.
- 该模型通过结合合体学习和XAI,在有限的临床相关数据上表现强大.
- BCECNN是人工智能辅助乳腺癌诊断的新可靠的决策支持工具.
