Jun, 2024

学习乳腺超声病变检测的临床相关概念瓶颈

PDF
TL;DR应用于乳腺超声图像中的人工智能模型具有潜在的减轻癌症负担的应用前景。本研究提出了一种能够解释其预测结果的可解释人工智能模型，并通过预测具有特定临床意义的乳腺影像学术语来方便放射科医师审查和纠正错误，从而提高癌症分类的性能。
breast ultrasound imagesartificial intelligenceexplainable ai modelcancer classificationconcept intervention
发现论文，激发创造
  • IAIA-BL: 数字乳腺 X 线摄影乳类病变分类的基于案例的可解释深度学习模型

    在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

    Mar, 2021

  • 通过概念瓶颈模型实现强大且可解释的医学图像分类器

    通过使用自然语言概念，我们提出了一种建立强大而可解释的医学图像分类器的新范式，有效地解决了深度学习模型在医疗行业应用中学习虚假相关性而不是期望特征以及缺乏可解释性的问题。

    Oct, 2023

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 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

  • 乳腺 X 光摄影图像中基于 BI-RADS 的机器学习分类性能

    通过使用来自 1,540 名患者的 2,945 张乳腺超声图像，研究了不同 BI-RADS 定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明，使用多种先进的分类架构（包括 VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet 和 Vision Transformers），而非传统的机器学习模型，通过全方位的分析，我们的计算机辅助诊断 (CAD) 系统显著提高了准确性，在全 fine-tuning 设置下的准确率为 76.39% 和 F1 分数为 67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高，为未来旨在改善医学成像 CAD 系统的精确度和可靠性的努力奠定了坚实的基础。

    Nov, 2023

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020