乳腺癌中的热信号:通过深度学习和可解释的AI解读潜伏生物标志物
Sachin Kansal1, Simranjit Kaur1, Arnav Jain1
1Centre of Excellence in Emerging Materials, Department of Computer Science Engineering, Thapar Institute of Engineering Technology, Patiala, Punjab, India.
Journal of thermal biology
|March 4, 2026
概括
这项研究使用热成像开发了用于乳腺癌检测的机器学习模型,实现了高精度. 这些发现支持热学作为可靠的,非侵入性查工具.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
背景情况:
- 乳腺癌仍然是导致死亡的主要原因,需要改进早期检测方法.
- 目前的乳房造影查有其局限性,包括成本和辐射暴露.
- 热谱为乳腺癌查提供了一个非侵入性的,具有成本效益的替代方案.
研究的目的:
- 利用卷积神经网络开发和评估用于乳腺癌检测的机器学习模型.
- 从视觉DMR数据集中分析多个热乳房视图,以提高诊断准确度.
主要方法:
- 使用卷积神经网络 (CNN) 来分析热乳房视图的图像.
- 采用先进的图像分析技术来提高诊断性能.
- 利用可解释的人工智能 (SHAP) 来提高模型的解释性.
主要成果:
- 一个微调的VGG16模型实现了92.7%的测试准确度,99.63%的AUROC,91.73%的F1得分,91.04%的精度和92.42%的灵敏度.
- 开发的模型在识别乳腺癌病例方面表现强.
- 可解释的人工智能为模型的决策过程提供了明确的见解.
结论:
- 热图的机器学习分析显示了精确检测乳腺癌的巨大潜力.
- 通过人工智能增强的温度计,为传统查方法提供了可行的和有前途的替代方案.
- 鼓励进一步的研究,以探索温度计在乳腺癌诊断中的作用,解决公共数据集的有限可用性.
