BSPC 2025 |深度学习与可解释AI在医学图像识别的新进展

营养师

关键词

  医学图像识别、深度学习、早期癌症诊断、组织病理学图像分类、可解释AI、LIME、SHAP

文章介绍

在癌症早期诊断领域，组织病理学图像的准确识别是关键。随着深度学习技术的发展，医学图像识别的准确性和效率得到了显著提升。最近，一篇发表在BSPC的论文《Enhancing histopathological medical image classification for Early cancer diagnosis using deep learning and explainable AI – LIME & SHAP》，为我们揭示了如何通过深度学习和可解释AI技术提高组织病理学图像分类的准确性，这对于早期癌症的诊断具有重要意义。

原文摘要

癌症的早期识别和筛查对于改善患者预后至关重要。组织病理学图像在癌症的诊断和治疗中扮演着关键角色。深度学习技术在癌症诊断中取得了显著成功，但其决策过程往往不透明。本文提出了一种新的深度学习模型，用于组织病理学医学图像分类，特别是针对乳腺癌、结肠癌和肺癌的分析。该模型利用了输入图像的各种特征（低级和高级特征），并在BreakHis数据集（乳腺癌）和LC25000（结肠癌和肺癌）上评估了模型的有效性。模型的平均准确率、敏感性、特异性、F1分数、召回率和精确度达到了98.00% ± 0.19，特定准确率分别为99.2%和99.1%（BreakHis 4和8类）、99.9%和100%（LC25000 3和2类）。

模型方法

    该研究提出的模型不仅利用了低级特征和高级特征，还结合了可解释AI技术——LIME和SHAP。输入数据首先被发送到标签平滑层，然后进入第一个多尺度、多层块。从这个块中提取的特征随后被转发到空间通道块。在预定义的深度执行一些Maxpooling操作以降低维度，显著降低处理成本。使用了核正则化、向量dropout和批量归一化来提高特征并减少数据变化。





实验结果

实验结果表明，所提出的模型在传统仅依赖高级特征的方法上取得了显著的性能提升，并且强调了其在准确癌症分析和帮助医疗从业者早期识别和诊断癌症中的重要性。具体来说，模型的平均准确率、敏感性、特异性、F1分数、召回率和精确度达到了98.00% ± 0.19，特定准确率分别为99.2%和99.1%（BreakHis 4和8类）、99.9%和100%（LC25000 3和2类）。以下是Saliency Map of Benign Breast Cancer using LIME and SHAP的图像分析。




文章小结

本文提出的组织病理学医学图像分析框架利用了低级特征、高级特征和可解释AI——LIME & SHAP，为医学图像识别领域带来了新的突破。通过结合深度学习和可解释AI，该研究不仅提高了癌症诊断的准确性，还增强了模型的透明度，为临床应用提供了理论和实践基础。这项研究的成功，标志着深度学习在医学图像识别领域的应用又向前迈进了一大步，特别是在早期癌症诊断方面，为未来的研究和临床实践提供了新的方向和工具。

论文链接：

https://doi.org/10.1016/j.bspc.2024.107014
http://weixin.qq.com/r/mp/VBKfhybE-3uArWLk90dG (二维码自动识别)


原文地址：https://zhuanlan.zhihu.com/p/18988671561