通过可解释的ViT-CNN特征融合和SHAP,通过集群早期检测疟疾
Esra Yüzgeç Özdemir1,2, Canan Koç1, Kerem Küçük3
1Software Engineering Department, Engineering Faculty, Firat University, Elazig, Turkey.
Journal of imaging informatics in medicine
|October 24, 2025
概括
这项研究引入了一种快速,可解释的AI模型,用于使用血涂片图像进行疟疾诊断. 混合人工智能 (AI) 系统实现了高精度,显著优于早期疾病检测的传统方法.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
- 寄生虫学的寄生虫学
背景情况:
- 疟疾诊断对于疾病控制至关重要,但目前的方法缓慢,需要专业知识.
- 使用人工智能 (AI) 的自动化系统提供了快速可靠的疟疾诊断的潜力.
- 可解释的人工智能 (XAI) 提高了对人工智能诊断工具的信任和理解.
研究的目的:
- 开发和评估一种混合人工智能模型,用于从微观血涂片图像中准确诊断疟疾.
- 整合可解释的AI (XAI) 功能,以提高透明度和可解释性.
- 与传统方法相比,评估拟议的人工智能模型的速度和效率.
主要方法:
- 这是一个混合模型,结合了视觉变压器 (ViT) 和EfficientNet卷积神经网络 (CNN) 的功能.
- 使用SHAP (SHapley添加式扩展) 进行特征重要性过.
- 通过 CatBoost,XGBoost 和 Logistic Regression 的组合重新训练重要的功能.
主要成果:
- 结合ViT_Large_16和EfficientNetB0的混合模型实现了95.61%的准确性.
- 该系统在1.6秒内处理图像,比传统机器学习快约204倍.
- 基于ViT的模型在捕捉血液涂抹图像中的复杂细节方面表现出卓越的能力.
结论:
- 拟议的混合XAI模型为疟疾诊断提供了显著的速度和可解释性优势.
- 该系统的高性能表明它适合整合到临床应用中,用于早期检测传染病.
- 这种人工智能驱动的方法可以提高全球疟疾诊断的效率和可访问性.
