从相互信息排名的临床生物标志物中检测卵巢癌,使用可解释的基于注意力的残留多层感知器
1Department of Electronics and Communication Engineering, Rajalakshmi Engineering College, Chennai 602105, India.
Computational biology and chemistry
|October 14, 2025
概括
一个新的深度学习模型,EA-ResMLP,将卵巢癌检测准确度提高到92.05%. 这种自动化方法为早期诊断提供了比手动生物标志物分析更有效,更易于解释的替代方案.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 卵巢癌是一个重大的全球健康挑战,需要准确和及时的诊断方法.
- 目前用于卵巢癌的手动生物标志物分析是主观和低效的,影响患者的结果.
- 在瘤学中,急需自动化,准确和可解释的诊断工具.
研究的目的:
- 开发一种自动化的深度学习模型,用于增强卵巢癌检测.
- 与传统方法相比,提高诊断准确度和工作流程效率.
- 将可解释的AI纳入透明和可解释的诊断预测.
主要方法:
- 开发了EA-ResMLP,这是一个深度学习模型,集成残余多层感知与挤压和激发注意力.
- 利用可解释的AI技术,包括局部可解释的模型不可知解释 (LIME),用于结果解释.
- 在用于检测卵巢癌的临床生物标志物数据上评估模型性能.
主要成果:
- 该EA-ResMLP模型实现了92.05%的诊断准确度.
- 与传统的多层感知子模型相比,其精度提高了7.98%.
- 可解释AI提供了特征贡献图表,突出了关键诊断指标.
结论:
- 该EA-ResMLP模型为卵巢癌检测提供了一个高度准确和自动化的解决方案.
- 可解释的AI集成增强了对模型诊断预测的信任和理解.
- 这种方法在应用人工智能用于早期癌症诊断方面取得了重大进展.
