深度学习模型的可解释性,用于在内支气管超声波 (EBUS) 中对中支气管淋巴结站进行分类
Øyvind Ervik1,2, Mia Rødde3,4, Erlend Fagertun Hofstad3
1Clinic of Medicine, Nord-Trøndelag Hospital Trust, Levanger Hospital, 7601 Levanger, Norway.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
使用深度学习的人工智能 (AI) 助力胸腔淋巴结在内支气管超声波 (EBUS) 成像中的分类. 像Grad-CAM这样的可解释AI工具显示模型的注意力与相关解剖学保持一致,改善EBUS程序.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 胸腔淋巴结的精确定位对于肺癌管理至关重要.
- 深度学习 (DL) 模型具有潜力,但往往缺乏透明度.
- 像Grad-CAM这样的可解释AI (XAI) 工具可以提高DL模型的解释性.
研究的目的:
- 开发和评估一个DL模型,使用EBUS图像对胸部淋巴结站进行分类.
- 量化评估EBUS成像中的Grad-CAM激活的解剖相关性.
- 确定XAI是否可以为EBUS提供对DL模型行为有意义的见解.
主要方法:
- 一个卷积神经网络 (CNN) 在35527个标记为EBUS图像上进行了训练,用于淋巴结站分类.
- 使用Grad-CAM可视化模型的注意力.
- 三名专家支气管镜师对来自3131张测试图像的Grad-CAM图进行了注释,以评估解剖学相关性.
主要成果:
- 美国有线电视新闻网在分类淋巴结站方面取得了63.1%的准确性,在4L,4R和10R站获得了高F1分数.
- 格拉德-CAM激活主要对应于淋巴结和/或血管.
- 专家对Grad-CAM地图的注释给出了65.9%的准确度和58.4%的F1分数,观察者之间达成了温和的共识.
结论:
- 在EBUS期间,DL模型可以有效地协助对胸部淋巴结站进行分类.
- 像Grad-CAM这样的XAI工具为DL模型决策流程提供了宝贵的见解.
- 拟议的框架有望加强解剖学导向和EBUS程序培训,因此需要进一步验证.
