使用可解释的人工智能进行疟疾诊断的可靠深度学习

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 疟疾诊断在显微镜,快速诊断测试 (RDT) 和聚合酶链反应 (PCR) 等传统方法中面临挑战,原因是可扩展性,灵敏度和专业知识的局限性.
• 自动诊断策略对于改善疟疾检测至关重要,特别是在资源有限的医疗机构.

研究的目的:

• 通过血液涂抹图像来研究深度学习模型用于自动疟疾检测的有效性.
• 评估和比较各种卷积神经网络 (CNN) 架构的性能.
• 通过可解释的人工智能 (XAI) 技术增强模型解释性和临床信任.

主要方法:

• 在疟疾血液涂抹图像上对四个CNN (MobileNetV2,VGG19,InceptionV3,ResNet18) 的实证评估.
• 在大型数据集 (27,090张图像) 上微调先进的混合架构 (Xception,Inception-ResNetV2).
• 在独立的数据集上对模型稳定性的验证,具有多种染色和成像条件.
• 应用XAI技术 (Grad-CAM,LIME,SHAP) 来实现模型的可解释性.

主要成果:

• 在最初的CNN中,ResNet18获得了最高的F1得分 (96.33%).
• 在验证和测试组中,Xception和Inception-ResNetV2的分类准确率约为98%.
• 在独立的数据集上保持了高准确度 (97-98%),证明了概括性.
• 在模型决策中,XAI技术提供了空间,超像素和像素级透明度.

结论:

• 深度学习模型,特别是像Inception-ResNetV2这样的混合架构,为疟疾检测提供了高度准确和可扩展的解决方案.
• 可解释的人工智能技术显著提高了这些自动诊断系统的解释性和临床可靠性.
• 拟议的AI框架解决了传统方法的局限性,为在资源有限的环境中改进疟疾诊断铺平了道路.