一个可解释的集成变压器框架用于超声波图像中检测乳腺癌.
Riyadh M Al-Tam1, Aymen M Al-Hejri1,2, Fatma A Hashim3,4
1Faculty of Administrative and Computer Sciences, University of Albaydha, Albaydha CV46+6X, Yemen.
Diagnostics (Basel, Switzerland)
|February 27, 2026
概括
这项研究开发了一个可解释的计算机辅助诊断 (CAD) 系统,使用视觉转换器来检测乳腺癌. 人工智能模型实现了高精度,显示了作为早期乳腺癌诊断的可靠工具的希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 早期发现乳腺癌对于生存率至关重要.
- 手动解释超声波图像面临着诸如噪音和主观性等挑战.
- 需要自动化系统来提高诊断准确性和一致性.
研究的目的:
- 开发用于乳腺癌检测的自动化和可解释的计算机辅助诊断 (CAD) 系统.
- 为了提高乳房超声波图像分析的准确性和可靠性.
- 为临床解释性提供视觉解释.
主要方法:
- 开发了一种集体转移学习方法,集成了数据效率图像转换器 (Deit) 和视觉转换器 (ViT).
- 使用特征融合,预处理,规范化和数据增强来提高模型的稳定性.
- 梯度加权类激活映射 (Grad-CAM) 用于生成视觉解释.
主要成果:
- 整体模型实现了96.92%的准确性和97.10%的AUC对二进制分类.
- 在多个数据集上的外部验证证实了强大的概括性.
- 对细粒度BI-RADS分类的表现较低,表明固有的临床复杂性.
结论:
- 基于视觉变压器的组合系统显示了高的诊断准确性和跨数据集的概括性.
- 该系统提供了临床上有意义的解释性,适合可靠的第二意见CAD工具.
- 这种人工智能工具有可能用于乳腺癌诊断,特别是在资源有限的环境中.