基于可解释性的优化深度学习用于对多种癌症的组织病理学诊断和移动应用程序的开发
Ritu Tandon1, Narendra Pal Singh Rathore2, Shweta Agrawal3
1Department of Computer Science and Engineering, Sage University, Indore, India.
Microscopy research and technique
|January 9, 2026
概括
一个新的深度学习模型,辅助残留保留网络与指导高斯组合臂算法 (C2RN2GC2A),提高了在组织病理图像中的癌症分类准确性. 这种新的方法提高了效率,并为更好的临床决策提供了可解释的结果.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 组织病理图像分析对于癌症诊断至关重要,但在解释性,计算成本和准确性方面面临挑战.
- 现有的模型往往缺乏透明度,阻碍了临床信任和采用.
研究的目的:
- 引入一种新的深度学习模型,辅助残留保留网络与指导高斯组合臂算法 (C2RN2GC2A),用于在组织病理图像中增强癌症分类.
- 在诊断任务中提高模型效率,准确性和可解释性.
主要方法:
- 开发了C2RN2GC2A,将剩余学习与高斯扰动集成为特征提取和效率.
- 采用双阶段引导混沌卡布奇算法 (2GC2A) 进行元启发式优化,特征选择和加速融合.
- 利用层级的DeepLIFT相关性传播 (LDLRP) 来解释AI,识别影响分类的关键图像区域.
主要成果:
- 在LC25000数据集上实现了98.02%的准确性,训练损失为0.08.
- 在BreakHis数据集上达到98.54%的准确性,验证损失为0.05.
- 在诊断可靠性和临床透明度方面显著改善.
结论:
- 该C2RN2GC2A框架提供了一个强大的解决方案,用于准确和可解释的基因病理图像分析.
- 集成先进的人工智能技术增强了诊断能力和对癌症分类的临床信心.
