短暂的学习和可解释的AI用于结肠癌组织病理学:具有多技术可解释性的原型网络
Asma Merabet1, Asma Saighi1, Zakaria Laboudi2
1Artificial Intelligence and Autonomous Things Laboratory (LAIOA), University of Oum El Bouaghi, Oum El Bouaghi, 04000, Algeria; Department of Mathematics and Computer Sciences, University of Oum El Bouaghi, Oum El Bouaghi, 04000, Algeria.
International journal of medical informatics
|November 13, 2025
概括
这项研究引入了一个数据高效的框架,用于结肠癌诊断,使用少量射击学习和可解释的AI. 该模型以最小的数据实现了高精度,提供可解释的视觉输出,用于可靠的诊断.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能.
背景情况:
- 结肠癌的组织病理学诊断面临挑战,因为注释数据有限.
- 深度学习模型往往缺乏可解释性,阻碍了临床信任.
研究的目的:
- 为准确和透明的结肠癌诊断开发一个数据效率高的框架.
- 将少量学习与可解释AI (XAI) 结合起来,以解决数据局限性并提高模型可解释性.
主要方法:
- 使用一个原型网络与一个ConvNeXt-Tiny骨干训练在小结肠组织图像数据集.
- 雇佣Grad-CAM和LIME用于模型解释,由病理学家验证.
- 使用外部数据集 (EBHI) 评估模型概括.
主要成果:
- 在域内数据集上实现了98.5%的准确性.
- 在外部EBHI数据集上显示出强大的概括性,准确度为90%.
- 产生的临床可解释的视觉解释.
结论:
- 这种简单可解释的AI模型在使用最小的数据时有效地执行.
- 该模型的可解释输出支持其在临床环境中可靠地诊断结肠癌的潜力.


