可解释的AI用于多标签胸部X射线诊断:分层的Grad-CAM与层次特征提取

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 人工智能 (AI) 模型,如CNN和变形金刚,在医学图像分析方面表现出色.
• 人工智能缺乏可解释性阻碍了临床采用,因为了解疾病特征对于信任至关重要.

研究的目的:

• 在胸部X射线 (CXR) 诊断中开发多标签疾病分类的可解释性框架.
• 通过使用U-Net架构和Grad-CAM.提高放射学AI模型的可解释性.

主要方法:

• 使用U-Net编码器解码器架构捕获层次特征,用于MIMIC-CXR数据集中的14个观测的分类.
• 应用了多层的梯度加权类激活映射 (Grad-CAM),以可视化特定疾病区域.
• 集成的U-Net与可解释的AI (XAI) 框架来提高透明度.

主要成果:

• 拟议的框架有效地捕捉了多标签CXR分类的层次特征.
• 格拉德-CAM可视化提供了详细的洞察力,对功能精细化和疾病特定区域的重视.
• 在AI诊断过程中实现了更高的透明度.

结论:

• 该研究强调了可解释性在基于AI的放射学中的关键作用.
• 该框架通过为临床验证提供清晰的可视化,促进对人工智能工具的更大信任.
• 这种方法支持人工智能作为一个强大的,临床医生友好的决策支持系统,用于常规的放射学工作流程.