可解释的深度学习用于数字和对比增强的乳房摄影中的乳房损伤分类

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:

• 人工智能 (AI) 在乳腺癌查方面表现有前途.
• 需要进一步探索人工智能在数字乳房镜像 (DM) 和对比增强光谱乳房镜像 (CESM) 等乳房镜像模式中的整合.
• 了解跨DM和CESM的AI模型行为对于公平的临床采用至关重要.

研究的目的:

• 评估和比较三个深度学习卷积神经网络 (CNN) 架构 (ResNet-18,DenseNet-121,EfficientNet-B0) 在DM和CESM乳腺损伤分类上的性能.
• 通过使用SHapley添加式扩展 (SHAP) 来分析这两种乳房摄影模式的AI模型的决策模式.

主要方法:

• 利用公共CDD-CESM数据集,包括2006图像用于二进制分类任务 (正常与良性,良性与恶性,正常与恶性).
• 在DM和CESM图像上单独训练CNN模型,使用转移学习,加权二进制交叉损失和三倍交叉验证方案.
• 使用SHAP分析可视化和解释像素级别的模型决策.

主要成果:

• 在正常与良性和良性与恶性分类中,CESM表现优越.
• 在正常与恶性疾病的比较中,数字哺乳镜 (DM) 获得了最高的辨别能力 (EfficientNet-B0:AUC=97%,精度=93.15%).
• SHAP分析显示,对于这两种模式,一致的,解剖学上相关的决策模式,CESM提供了更清晰的焦点,DM显示了更广泛的关注.

结论:

• 通过功能对比,CESM增强了损伤歧视,而DM通过CNN提供了非常准确和可解释的结果,尽管获取更简单.
• 跨模式的基于SHAP的一致相关性证实DM和CESM都保留了用于AI分析的临床上有意义的信息.
• 这项研究是第一个使用可解释的深度学习模型在相同条件下直接比较DM和CESM的研究.