结直肠多片细分的综合架构:μ-Net框架与可解释的AI
Mehedi Hasan Emon1, Proloy Kumar Mondal1, Md Ariful Islam Mozumder1,2
1Institute of Digital Anti-Aging Healthcare, Inje University, Gimhae-Si 50834, Republic of Korea.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
这项研究介绍了μ-Net,这是一种人工智能工具,可以准确地检测和分类结肠镜图像中的息肉,改善早期结肠直肠癌 (CRC) 检测. 可解释的人工智能提高了对其可靠CRC查性能的信任.
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:
- 结肠直肠癌 (CRC) 是全球癌症死亡的主要原因.
- 通过结肠镜早期检测对于降低CRC死亡率至关重要.
- 在结肠镜检查中手动检测多胞胎容易出现错误,并且效率低下.
研究的目的:
- 开发一种自动化的,可靠的深度学习方法,用于在结肠镜检查中对多体进行细分和分类.
- 提高结直肠癌查的准确性和效率.
- 通过人工智能辅助分析来提高早期检测率和患者的结果.
主要方法:
- 开发了一个新的深度学习架构,μ-Net,用于聚合物细分.
- 克瓦西尔-SEG数据集被用于培训和评估.
- 可解释性AI (XAI) 技术 (性地图,Grad-CAM) 已被整合到模型解释性中.
主要成果:
- μ-Net实现了94.02%的高子系数,超过了现有的细分模型.
- XAI技术提供了视觉解释,增加了对模型预测的信心.
- 该模型显示出强大的准确性和临床应用潜力.
结论:
- μ-Net框架在自动化多体查方面取得了重大进展.
- 它提高了结肠镜图像分析的精度和效率.
- 这个AI工具支持临床决策,用于早期CRC检测和预防.
