可解释的基于人工智能的混合DRM-Net转移学习模型,用于使用超声波图像进行乳腺癌检测和分类
Shahid Mohammad Ganie1, Majid Bashir Malik2, Mir Aadil3
1Department of Health Information Management and Technology, College of Applied Medical Sciences, King Faisal University, 31982, Al-Ahsa, Saudi Arabia. sganie@kfu.edu.sa.
Scientific reports
|December 19, 2025
概括
这项研究介绍了DRM-Net,这是一种新的混合深度传输学习模型,用于通过超声波图像增强乳腺癌诊断. DRM-Net显著提高了准确性,有助于临床决策.
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:
- 乳腺癌是全球妇女死亡的主要原因.
- 早期诊断对于有效治疗和改善患者结果至关重要.
- 深度转移学习在医学图像分析方面表现有前途.
研究的目的:
- 开发和评估一种新的混合深度转移学习模型,用于使用超声波图像进行乳腺癌诊断.
- 将拟议模型的性能与现有的转移学习模型进行比较.
- 提高乳腺癌检测的准确性和可靠性.
主要方法:
- 在乳房超声波数据集上训练了六个转移学习模型.
- 通过结合高性能转移学习模型,开发了一种混合模型 (DRM-Net).
- 采用图像预处理,掩盖,数据增强和超参数调整.
- 使用可解释AI (XAI) 类激活映射 (CAM) 解释模型决策.
主要成果:
- 与其他六种转移学习模型相比,拟议的DRM-Net模型实现了更高的性能.
- DRM-Net显示了高准确度 (96.71%),精度 (96%),回忆 (97%),F1得分 (97%) 和AUC (99%).
- 该模型在乳腺癌诊断方面表现优于现有的最先进的研究.
结论:
- 混合DRM-Net模型显示了提高乳腺癌诊断准确性的巨大潜力.
- 这种人工智能驱动的方法可以支持明智的临床决策.
- 该模型的适用性扩展到其他基于超声波的诊断任务.
