Dec, 2023

使用迁移学习方法的能够解释的人工智能在诊断和预测白血病中的应用

PDF
TL;DR利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。
acute lymphoblastic leukemiaautomated detectioncomputer-aided diagnosticdeep learning techniquesexplainable artificial intelligence
发现论文，激发创造
  • 一种使用元启发式和深度学习方法的急性淋巴细胞白血病诊断模型

    一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

    Jun, 2024

  • 诊断急性淋巴细胞白血病敏感相关生物标志的新型流程

    我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，对疾病生物标记物敏感并在 ALL IDB1 上实现 96.15% 的准确率、94.24% 的 F1 分数、97.56% 的敏感度和 90.91% 的特异性，该方法还在一个具有挑战性的数据集上表现良好，并且我们的模型是用相对较小的数据集训练的，突显了我们方法在其他具有有限数据可用性的医学数据集中的潜力。

    Jul, 2023

  • 使用深度神经网络从显微镜血液涂片图像自动检测急性淋巴细胞白血病亚型

    本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种 ALL 细胞亚型并具有 98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。

    Jul, 2022

  • 使用自编码器进行白血病诊断的自动化：一项比较研究

    本研究使用深度学习中的自动编码器来提取包含在患者关键参数中的有价值信息，以提高白血病诊断的准确性，通过比较传统机器学习模型，结果表明我们提出的方法在准确性和 F1 得分指标上比其他机器学习模型提升了超过 11%。

    Dec, 2023

  • 乳腺癌诊断：可解释人工智能（XAI）技术的全面探索

    乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

    Jun, 2024

  • 一个可解释的模型来支持治疗 AML 的决策协议

    根据病人的生存预测，本研究提供了数据分析和可解释的机器学习模型，以支持确定最适合的治疗方案；该研究的结果表明，这一模型能够安全地支持专家的决策，并有潜力开展新的研究方向，以改善治疗和预测标志物。

    Jul, 2023

  • 用异质损失函数处理癌症的不同受试者和同一受试者变异性

    应用深度学习方法诊断白血病在发展中国家医疗中具有巨大的潜力，但由于数据稀缺和难以捕捉的异质性，深度学习模型需要应对过拟合的风险，本研究提出了一种异质性损失和非正统集成策略，取得了 C-NMC2019 数据集上 B-ALL 分类方面的最佳结果。

    Mar, 2020

  • 透明且临床可解释的肺癌在胸部 X 光片中的 AI 检测

    通过引入临床概念到分类过程中，我们提出了一种基于概念瓶颈模型的预处理方法，改善了肺癌检测的分类性能（F1＞0.9），同时生成比现有技术更可靠、临床相关的解释，解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。

    Mar, 2024

  • 皮肤癌分类的可解释深度学习方法

    使用现代深度学习方法和可解释人工智能（XAI）来解决皮肤癌检测问题，采用四个先进的预训练模型进行皮肤病变分类，XceptionNet 被确定为表现最佳的模型，本研究展示了深度学习和可解释人工智能（XAI）如何改善皮肤癌诊断，为医学图像分析领域未来的发展奠定了基础。

    Dec, 2023

  • 可解释人工智能方法在医学影像分类中的应用分析

    在医疗领域中，应用深度学习进行医学图像分类已成为趋势。然而，这种人工智能系统是极其复杂的 “黑匣子” 模型，难以解释其预测的原因。因此，研究探索可解释的人工智能（XAI）方法，以更好地应用于医学领域。本文通过对卷积神经网络模型进行规范化学图像分类，从三种不同的 XAI 方法对模型进行了可视化的研究和分析。

    Dec, 2022