XAI-BT-EdgeNet:可解释的边缘意识深度学习与挤压和激发用于脑瘤检测和预测
Deependra Rastogi1, Prashant Johri2, Massimo Donelli3,4
1School of Computer Science and Engineering, IILM University, Greater Noida, India.
Frontiers in artificial intelligence
|December 8, 2025
概括
这项研究介绍了XAI-BT-EdgeNet,这是一个可解释的AI框架,用于使用MRI扫描精确检测脑瘤. 该模型实现了高精度,为临床医生提供透明和可靠的AI驱动的诊断支持.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 对MRI扫描进行手动分析以检测脑瘤是耗时且容易出现错误的.
- 在神经瘤学中开发可靠的AI用于临床决策支持至关重要.
研究的目的:
- 介绍XAI-BT-EdgeNet,一个可解释的,边缘意识的深度学习框架,用于使用MRI检测脑瘤.
- 通过为诊断预测提供可解释的理由,增强对人工智能的临床信任.
主要方法:
- 一个双分支的CNN架构融合语义 (InceptionV3) 和边缘功能.
- 集成挤压和激发 (SE) 模块用于自适应功能重新校准.
- 整合了四种可解释AI (XAI) 技术 (LIME,Grad-CAM,Grad-CAM++,Vanilla Saliency) 以提高透明度.
主要成果:
- 获得了高分类准确率: 99.58% (培训), 99.71% (验证) 和 100.00% (测试).
- 证明了最小损失值,表明模型的稳定性和精度.
- 为人工智能驱动的大脑瘤检测生成可解释的视觉解释.
结论:
- XAI-BT-EdgeNet提供了一种高性能和可解释的解决方案,用于通过MRI扫描对脑瘤进行分类.
- 该框架将高级深度学习与XAI集成在一起,以改善临床决策.
- 这种方法弥合了人工智能能力和对神经瘤学的临床信任之间的差距.
