使用CT扫描与基于变压器的模型和可解释的AI进行脑中风分类
1Department of Computer Science, College of Computers and Information Technology, Taif University, Taif 21944, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|October 16, 2025
概括
这项研究开发了一个使用MaxViT的AI框架,用于从CT扫描中准确分类中风,达到98%的准确性. 这种工具可以提高早期中风诊断和在紧急情况下的患者护理.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经学 诊断 神经学 诊断
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因.
- 快速诊断对于有效的中风治疗至关重要.
- 计算机断层扫描 (CT) 扫描在紧急中风评估中至关重要.
研究的目的:
- 使用CT图像开发一个AI框架,用于多类中风分类 (缺血性,出血性,没有中风).
- 评估MaxViT和其他用于中风检测的变压器架构的性能.
- 通过可解释AI (XAI) 提高诊断透明度.
主要方法:
- 利用基于视觉变压器 (ViT) 的架构MaxViT进行中风分类.
- 将MaxViT与其他变压器变体 (ViT,TNT,ConvNeXt) 进行比较.
- 应用数据增强和Grad-CAM++用于可解释性.
主要成果:
- 增强后的MaxViT实现了98.00%的准确性和F1得分.
- 人工智能框架在中风分类方面表现优于基线模型.
- 通过Grad-CAM++可视化,确认了与中风相关区域的准确识别.
结论:
- 人工智能框架为中风诊断提供了一个可靠的工具.
- 这项技术可以改善急诊室的及时和最佳中风诊断.
- 便于将AI整合到临床实践中,以获得更好的患者结果.
