开发一个完全优化的卷积神经网络用于MRI中的星细胞瘤分类,使用可解释的人工智能
Christos Ch Andrianos1, Spiros A Kostopoulos1, Ioannis K Kalatzis1
1Medical Image and Signal Processing Laboratory, Department of Biomedical Engineering, University of West Attica, 12241 Athens, Greece.
Journal of imaging
|October 28, 2025
概括
这项研究开发了一种优化的卷积神经网络 (CNN),以准确地从MRI扫描中分类星细胞瘤脑瘤等级. 人工智能模型实现了高精度,显示了在癌症诊断中临床使用的潜力.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 星细胞瘤是一种常见的脑质瘤,由世界卫生组织分类,影响预后和治疗.
- 准确的分级对于患者管理至关重要,特别是对于高恶性瘤.
- 当前的分级方法可能是主观的,耗时的.
研究的目的:
- 开发和优化一个卷积神经网络 (CNN) 用于将星细胞瘤MRI切片分类为恶性等级 (G2-4).
- 评估CNN的性能与最先进的模型相比,并评估其对临床部署的稳定性.
主要方法:
- 一个完全优化的CNN在69名患者的1284个轴向2DMRI切片 (T1加权对比增强和FLAIR) 上受过训练.
- 使用Hyperband方法进行了广泛的超参数调整.
- 在四个数据分割中使用重复保留验证,用于模型解释性,使用SHAP和LIME.
主要成果:
- 拟议的CNN实现了98.05%的平均分类精度,AUC为0.997.
- 该模型的表现优于使用转移学习的先进预训练模型.
- 在未经修改的切片上进行验证时,准确率为93.34%,证明了稳定性.
结论:
- 优化的CNN在MRI数据的星细胞瘤等级分类方面表现出高准确性和稳定性.
- 人工智能模型显示了在神经瘤学中临床应用的巨大潜力.
- 可解释的AI技术证实了模型的决策过程.
