探索肺和结肠癌分类中可解释人工智能技术以提升可解释性
机器人学
2024-05-09 v1
摘要
肺癌和结肠癌是全球范围内严峻的健康挑战，需及时精准识别以降低死亡风险。然而，诊断主要依赖于病理学家的专业能力，在专业知识不足时存在困难和风险。虽然影像学和血清标志物等诊断方法有助于早期检测，但病理学鉴定仍是金标准，尽管耗时且易受观察者间差异影响。高端技术的获取受限，进一步限制了患者获得及时医疗护理和诊断的能力。近期深度学习的进展为医学影像分析的应用生成了热情，特别是利用病理学图像进行肺癌和结肠癌诊断。本次调查旨在使用和改造现有的预训练CNN模型，如Xception、DenseNet201、ResNet101、InceptionV3、DenseNet121、DenseNet169、ResNet152和InceptionResNetV2，通过改进数据增强策略来提高分类效果。结果显示显著进步，所有八个模型准确率达到97%至99%。此外，还使用注意力可视化技术，如GradCAM、GradCAM++、ScoreCAM、Faster Score-CAM和LayerCAM，以及Vanilla Saliency和SmoothGrad，提供对模型分类决策的见解，从而提高可解释性和对恶性和良性图像分类的理解。
引用
@article{arxiv.2405.04609,
title = {Learning Distributional Demonstration Spaces for Task-Specific Cross-Pose Estimation},
author = {Jenny Wang and Octavian Donca and David Held},
journal= {arXiv preprint arXiv:2405.04609},
year = {2024}
}
备注
Accepted for ICRA 2024