相关实验视频
Updated: Jan 11, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
729
组合视觉变压器和ResNet-50以使用特征融合和XAI技术进行可解释性肺癌诊断
Rahul1, Deborah Adedigba1, Raza Hasan2
1Department of Science and Engineering, Southampton Solent University, E Park Terrace, SouthamptonHampshire, SO14 0YN, UK.
Journal of imaging informatics in medicine
|November 13, 2025
概括
结合ResNet-50和视觉变压器 (ViT) 的新深度学习框架在分类肺癌组织病理学方面实现了超过99.8%的准确性. 这种人工智能模型提供了一个透明和准确的解决方案,提高了诊断可靠性和患者的结果.
科学领域:
- 人工智能的人工智能
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 肺癌诊断面临挑战,因为传统方法的不一致性和局限性,导致高死亡率.
- 在组织病理学肺癌分类中,急需准确,透明和临床可行的诊断系统.
研究的目的:
- 提出和评估一个新的深度学习框架,用于准确和可解释的组织病理肺癌分类.
- 通过开发一个强大的AI辅助系统来解决当前诊断方法的局限性.
主要方法:
- 开发了一个混合集团深度学习架构,集成ResNet-50用于层次特征提取和Vision Transformer (ViT) 用于全球环境.
- 将ResNet-50 (2048-D) 和ViT (768-D) 的特征合并为一个组合向量进行分类.
- 采用多学科可解释AI (XAI) 策略,包括Grad-CAM,LIME,SHAP等,以实现模型可解释性.
主要成果:
- 整体模型实现了高精度: 99.96% (±0.0004%) 的平均交叉验证, 99.94% 的持久测试集和 99.82% 的单独测试集.
- 可解释的AI方法显示出显著的可解释性,注意热图显示87.3%的重叠与病理学家识别的感兴趣区域.
结论:
- 拟议的混合深度学习框架为肺癌组织病理学分类提供了高度准确和可解释的解决方案.
- 这种人工智能驱动的方法解决了当前的临床差距,显示了显著改善诊断可靠性和肺癌护理患者结果的潜力.
