一个可解释的混合AI模型用于乳房细针吸收细胞学图像分类.

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精细针吸收细胞学 (FNAC) 是乳腺病变的宝贵诊断工具,在乳腺癌预测方面,其准确性往往超过乳房造影.
• 深度学习和经典机器学习提供了先进的方法来提高医学成像诊断的准确性.
• 将深度学习特征提取与机器学习分类相结合的混合方法在复杂的诊断任务中显示出前景.

研究的目的:

• 开发和评估混合深度学习和机器学习模型,用于乳腺细针吸收细胞学图像的二元分类.
• 在准确性,灵敏性和乳腺癌检测特异性方面评估各种混合架构的性能.
• 通过专家病理学家的审查,验证表现最好的模型的临床可解释性和可信性.

主要方法:

• 开发了18个混合架构,集成深度学习模型 (Inception-V3,MobileNet-V2,DenseNet-121) 用于与机器学习分类器 (SVM,决策树,k-NN) 进行特征提取.
• 一个由427张FNAC图像组成的数据集被增加到2866张图像,包括良性和恶性样本.
• 专家病理学家使用Grad-CAM技术进行模型可解释性和临床验证.

主要成果:

• 结合MobileNet-V2和DenseNet-121特征提取与SVM分类器的混合模型实现了最高的内部测试准确性 (98.26%).
• 这种高性能模型表现出卓越的灵敏度 (97.95%) 和特异性 (98.48%).
• 可解释性模型获得了95%的专家病理学家的积极临床验证,证实了其可解释性和临床实用性.

结论:

• 融合深度学习和机器学习的混合人工智能模型提供了一种强大的方法,用于使用FNAC图像准确检测乳腺癌.
• 拟议的混合模型显示出高诊断性能和临床可解释性,支持其临床决策潜力.
• 可解释的AI方法对于建立信任和促进AI工具在临床实践中的采用至关重要.