基于可解释的否定深度学习模型的正常胎儿心声图的识别.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 胎儿心声图的解释对于诊断先天性心脏缺陷至关重要.
• 深度学习模型为自动化分析提供了潜力,但往往缺乏可解释性.
• 现有的模型可能会在超声数据的图像质量变化方面扎.

研究的目的:

• 评估集成共享卷积注意力视觉转换器 (GSCAViT),一个可解释的深度学习模型.
• 评估GSCAViT在对正常胎儿心声图进行分类方面的表现.
• 为了提高胎儿心脏超声波分析的解释性和图像质量.

主要方法:

• 一项回顾性研究分析了来自358个胎儿心脏超声波检查的2501张图像.
• 纳入无声引导GSCA模块的GSCAViT与基线和增强模型进行了比较.
• 使用准确度,精度,回忆,F1得分和SHAP用于特征可视化来评估性能.

主要成果:

• GSCAViT实现了高精度 (97.1%的验证,高达99.4%的测试组) 与较低的错误率.
• SHAP可视化确定了关键的心脏结构,提高了模型的解释性.
• 无声化模块改善了图像质量,由优异的对比度与噪声和峰值信号与噪声比率证明.

结论:

• 与其他模型相比,GSCAViT在对正常胎儿心声图进行分类方面表现优越.
• 通过SHAP可视化的可解释AI提高了分类过程的可解释性.
• 拒绝引导的GSCA模块在提高图像质量和分类效率方面被证明是有效的.