可以解释乳腺癌诊断的多式融合:系统性审查,开放的问题和未来的方向

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 乳腺癌 (BC) 是全球女性癌症死亡的主要原因.
• 准确和早期诊断BC是一个关键的公共卫生目标.
• 人工智能 (AI) 和可解释AI (XAI) 在BC诊断和预后方面提供了潜在的进步.

研究的目的:

• 系统地审查多模式学习和XAI在乳腺癌诊断和预后中的应用.
• 分析最近的BC研究中使用的融合策略,模型设计和XAI技术.
• 确定人工智能在BC护理中的挑战和未来方向.

主要方法:

• 按照PRISMA指南对49项同行评审研究 (2015-2025) 的系统审查.
• 多模式融合策略的分类 (例如连接,基于注意力的,混合的).
• 人工智能模型设计的文档 (例如转移学习,变压器,GNN,合集) 和XAI技术 (例如Grad-CAM,SHAP).

主要成果:

• 多模人工智能模型在BC诊断和预后中通常优于单模方法.
• 融合策略各不相同,先进的架构管理数据异质性和缺失的模式.
• XAI技术提高了透明度,弥合了人工智能模型和临床工作流程之间的差距.

结论:

• 虽然多式人工智能显示出潜力,但其有效性因数据,验证和处理缺失信息而有所不同.
• 主要挑战包括有限的多式联运数据集,不一致的基准,以及现实世界可解释模型的稀缺性.
• 未来的研究应该专注于组合融合,多诊所验证和整合临床医生的专业知识,以在BC护理中获得可靠的AI.