通过将特征与可解释的基于AI的残余表格式网络模型融合,从基因病理图像和分子签名来诊断乳腺癌

科学领域:

• 在瘤学中使用人工智能
• 生物医学数据集成技术
• 可解释的人工智能 (XAI)

背景情况:

• 早期乳腺癌 (BC) 诊断对于降低死亡率至关重要.
• 目前用于BC检测的AI模型往往缺乏透明度,并依赖单个数据源.
• 需要多模式数据集成和可解释性,以提高临床适用性.

研究的目的:

• 开发一种可解释的AI (XAI) 模型,用于多模式乳腺癌诊断.
• 整合基因病理图像和分子蛋白质表达数据,以改善BC检测.
• 加强对人工智能驱动的诊断工具的透明度和临床信任.

主要方法:

• 提出了一个可解释的基于人工智能的残余表格网络 (ResTab Net) 模型.
• 使用了适应性组织意识高斯过 (ATGF),力增强图表-流域细分 (EGWS) 和自适应性海星优化 (SASFO).
• 综合多式数据 (组织病理图像,分子蛋白质表达) 用于诊断.

主要成果:

• 实现了高性能指标:98.56%的准确性,98.10%的精度,98.00%的回忆,98.03%的F1得分和99.60%的AUC.
• 采用SHAP和LIME用于模型可解释性,说明特征对分类的影响.
• 使用剩余卷积块和密集层的混合框架,证明了成功的多类分类.

结论:

• 可解释的AI-ResTab Net模型为多模式乳腺癌诊断提供了一个透明和准确的方法.
• 这种模型通过整合各种数据并提供解释来克服当前AI的局限性.
• 这些发现支持可解释AI在早期癌症检测中的临床适用性.