基于阴道镜图像的宫颈癌前病变风险分类可解释注意力模型
图像与视频处理
2024-11-20 v1 人工智能
摘要
宫颈癌仍是全球主要健康问题，早期识别和风险评估在有效预防干预中起关键作用。本文提出了用于宫颈癌前病变风险分类的Cervix-AID-Net模型。研究基于患者阴道镜检查图像设计并评估了所提Cervix-AID-Net模型。该模型包含卷积块注意力模块（CBAM）和卷积层，提取阴道镜图像的可解释和代表性特征，以区分高风险和低风险宫颈癌前病变。此外，所提Cervix-AID-Net模型集成了四种可解释技术，即梯度类激活图、局部可解释模型无关解释（LIME）、CartoonX，以及基于输出特征图和输入特征的像素速率失真解释。采用留出法和十折交叉验证技术的评估分别获得了99.33%和99.81%的分类准确率。分析显示，CartoonX因其能提供图像的相关分段平滑部分，对Cervix-AID-Net模型的决策提供了细致的解释。高斯噪声和模糊对输入的影响表明，性能在高斯噪声3%和模糊10%以内保持不变，此后性能下降。所提模型性能与其他深度学习方法的比较研究凸显了Cervix-AID-Net模型作为提高宫颈癌前病变风险评估有效性的辅助工具的潜力。所提方法结合CBAM和可解释人工智能集成，有望影响宫颈癌预防和早期检测，改善患者预后并降低这一可预防疾病的全球负担。
引用
@article{arxiv.2411.09469,
title = {An Explainable Attention Model for Cervical Precancer Risk Classification using Colposcopic Images},
author = {Smith K. Khare and Berit Bargum Booth and Victoria Blanes-Vidal and Lone Kjeld Petersen and Esmaeil S. Nadimi},
journal= {arXiv preprint arXiv:2411.09469},
year = {2024}
}
备注
19 pages, 9 figure, and 7 tables