推进基于多模态与可解释性的乳腺癌诊断：洞见与方向

Faseela Abdullakutty; Younes Akbari; Somaya Al-Maadeed; Ahmed Bouridane; Rifat Hamoudi

推进基于多模态与可解释性的乳腺癌诊断：洞见与方向

机器学习 2024-06-21 v1 人工智能计算机视觉与模式识别

作者: Faseela Abdullakutty , Younes Akbari , Somaya Al-Maadeed , Ahmed Bouridane , Rifat Hamoudi

摘要

乳腺癌的及时准确诊断对于改善患者预后至关重要。传统的诊断方法主要依赖单一模态数据，如病理图像。然而，医学数据分析正朝着整合超越传统成像的多源数据方向发展。采用多模态技术，整合图像和非图像数据，标志着乳腺癌诊断领域的重大进步。本文旨在探讨多模态方法，特别是将组织病理学图像与非图像数据融合的进展。此外，我们强调可解释人工智能（XAI）在阐明复杂算法决策过程中的必要性，以确保诊断的可解释性。本综述利用多模态数据并强调可解释性，旨在提高诊断准确性、增强临床医生的信心并促进患者参与，最终推动更个性化的乳腺癌治疗策略。同时，我们也指出了多模态和可解释性方面的研究空白，为未来研究提供方向，并为该领域的战略发展做出贡献。

关键词

breast cancer diagnosis multi-modality histopathology explainable AI medical image analysis data fusion

引用

@article{arxiv.2406.12897,
  title  = {Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability},
  author = {Faseela Abdullakutty and Younes Akbari and Somaya Al-Maadeed and Ahmed Bouridane and Rifat Hamoudi},
  journal= {arXiv preprint arXiv:2406.12897},
  year   = {2024}
}

备注

31 pages including references

推进基于多模态与可解释性的乳腺癌诊断：洞见与方向

摘要

关键词

引用

备注

相关论文