基于卷积神经网络与可解释人工智能的MRI扫描脑性痴呆诊断

随着脑性痴呆患者数量的增加，准确诊断程序的需求也随之增加。当前方法，如使用MRI扫描，依赖人类输入，这可能不够准确。然而，大多数机器学习算法的决策逻辑及其输出无法解释，因为它们大多 operates in black-box models。因此，为了提高通过MRI扫描诊断脑性痴呆的准确性，开发并训练了一个卷积神经网络，该网络使用包含6400个MRI扫描（分为4个脑性痴呆类别）的开源数据库进行训练。该模型达到了98%的验证准确率，显示其拟合程度良好且能够对新数据进行泛化。此外，为了帮助可视化模型输出，开发了一个基于可解释人工智能算法，通过可视化每个卷积层中单个滤波器的输出来实现，这突出显示扫描中感兴趣的区域。这些输出在识别 contribute most to model classification 的图像特征方面作用良好，从而允许用户可视化和理解结果。总体而言，卷积神经网络和可解释人工智能算法的结合创建一个可用于医疗领域的系统，不仅能帮助正确分类脑性痴呆，也允许涉及的各方人员可视化和理解结果。