可解释的AI启用混合深度学习架构用于乳腺癌检测
1College of Mathematics and Computer Science, Chifeng University, Chifeng, China.
Frontiers in immunology
|October 20, 2025
概括
本研究引入了用于乳腺癌诊断的混合深度学习 (DL) 框架,集成多个CNN模型和可解释AI (XAI) 以提高临床环境中的准确性和可解释性.
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
- 瘤学 诊断 诊断 瘤学
背景情况:
- 乳腺癌是妇女死亡的主要原因,需要先进的诊断工具.
- 深度学习 (DL) 在医学图像分析中表现有前途,但由于其黑盒性质,缺乏临床解释性.
- 目前的诊断系统需要提高可靠性和透明度,才能得到有效的临床采用.
研究的目的:
- 为乳腺癌诊断开发一种混合深度学习 (DL) 框架.
- 提高分类性能,解决DL模型的解释性限制.
- 整合可解释的人工智能 (XAI) 进行临床验证.
主要方法:
- 开发了一个混合DL框架,融合了三个预训练的卷积神经网络 (CNN) 架构:DENSENET121,Xception和VGG16.
- 使用GradCAM++的可解释人工智能 (XAI) 组件被纳入,以提供模型可解释性.
- 该框架在基准乳腺癌数据集上进行了评估.
主要成果:
- 合并的DL模型实现了97%的分类准确度,比单个模型提高了大约13%.
- 混合方法证明了强大的特征提取和增强的分类性能.
- 在超声波图像中,GradCAM++有效地突出了具有更细边缘的病变,有助于诊断验证.
结论:
- 融合DL模型显著提高了乳腺癌分类的准确性和稳定性.
- 集成XAI提供了可解释的结果,使该系统适合临床应用.
- 这种可解释的AI系统可以帮助医疗专业人员验证诊断并改善患者的治疗结果.