可解释和概率意识的人工智能框架用于基于MRI的像素级膀瘤预测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 膀瘤 (BTs) 由于高复发率和进展率,存在诊断方面的挑战.
• 磁共振成像 (MRI) 提供了BT检测的潜力,但分析需要先进的工具.
• 目前用于MRI分析的人工智能 (AI) 模型在数据可用性,预测准确性和透明度方面存在局限性.

研究的目的:

• 开发一个可解释和概率感知AI (ELAAI) 框架,以使用MRI改进膀瘤检测.
• 解决现有人工智能模型的局限性,包括数据稀缺性和缺乏预测透明度.
• 提高AI在膀癌诊断中的可靠性和临床实用性.

主要方法:

• 开发了ELAAI框架,专门训练正常膀MRI扫描.
• 集成的MFA-Net用于多尺度特征聚合和膀细分.
• 整合了适应性耐受性改进步骤和SLIP-Net (视觉变换器) 与多尺度确定性不确定性 (MSDU) 头用于瘤概率预测.

主要成果:

• 与最先进的 (SOTA) 模型相比,ELAAI表现出更高的性能.
• 该框架提高了人工智能辅助临床决策的透明度和可靠性.
• 取得了成功的细分和膀瘤的可能性预测.

结论:

• ELAAI框架提供了一种新且有效的方法,用于通过MRI通过AI辅助的膀瘤检测.
• ELAAI的可解释性和概率预测能力促进了对临床应用的信任.
• 这种人工智能框架有可能显著改善膀恶性瘤的早期和准确检测.