不同的BI-RADS乳腺癌诊断使用基于可解释的人工智能 (XAI) 的MobileNetV1和视觉变压器
Israa Abdelsabour1, Ahmed Elgarayhi1, Mohammed Sallah1
1Physics Department, Faculty of Science, Mansoura University, Mansoura, 35516, Egypt.
Scientific reports
|February 17, 2026
概括
结合MobileNetV1和Vision Transformer (ViT) 的新混合深度学习框架,可以从乳房影像中实现乳腺癌 (BC) 分类的准确度超过99%. 这种可解释的人工智能工具增强了早期BC检测,并支持临床决策.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 乳腺癌 (BC) 仍然是一个重要的全球健康问题,需要先进的诊断工具.
- 当前的计算机辅助诊断系统 (CAD) 需要提高精度,有效性和可解释性.
- 精确的BC分类从乳房图片对于及时干预和改善患者的结果至关重要.
研究的目的:
- 引入一种新的混合深度学习 (DL) 框架,用于使用乳腺图像进行多类BI-RADS乳腺癌分类.
- 通过双流网络架构提高BC诊断的准确性和可解释性.
- 开发一种有效和可解释的AI解决方案,用于乳腺癌检测中的临床决策支持.
主要方法:
- 开发了一个混合DL框架,将MobileNetV1 (用于本地功能) 和Vision Transformer (用于全球环境) 融合在一起.
- 该框架采用了特征级融合,然后使用基于袋装的物流回归 (LR) 分类器来提高稳定性.
- 评估使用了国王阿卜杜勒阿齐兹大学BC乳腺造影数据集 (KAUBC) 进行5倍交叉验证,并与最先进的模型进行了比较.
- 可以解释的AI (XAI) 技术 (Grad-CAM,Grad-CAM++) 用于视觉解释性.
主要成果:
- 拟议的MobileNetV1-ViT-Bagging框架在所有BI-RADS类别中实现了高稳定的性能.
- 精度 (ACC),灵敏度 (SEN) 和特异性 (SPE) 在分类乳腺癌方面超过99%.
- XAI技术成功地突出了诊断相关的区域,为模型的预测提供了视觉解释.
结论:
- 移动NetV1-ViT-包装框架为多类BI-RADS BC诊断提供了一个有效的,计算结构化的和可解释的解决方案.
- 混合方法在乳房影像中显示出临床决策支持应用的巨大潜力.
- 该研究强调了融合CNN和变压器的有效性,以改善医疗图像分析和可解释性.
