一种用于乳腺细针穿刺细胞学图像分类的可解释混合人工智能模型

《Journal of Medical Systems》：An Interpretable Hybrid AI Model for Breast Fine Needle Aspiration Cytology Image Classification

FNAC乳腺癌诊断中混合模型与数据增强的研究取得98.26%测试准确率及高特异性敏感性，Grad-CAM验证达95%临床可信度。

　　

摘要

虽然细针穿刺细胞学（FNAC）和乳腺X线摄影（ mammography）都用于诊断乳腺病变，但FNAC在预测乳腺癌方面通常比乳腺X线摄影更准确。由于其快速、简便的流程、成本效益以及较低的并发症风险，FNAC作为一种早期检测工具也越来越受欢迎。深度学习通过提取关键特征来提高乳腺癌的检测能力，与传统技术相比，能够获得更高准确性的结果。传统的机器学习方法耗时较少，且参数调整需求也较低。本研究基于从两个中心收集的FNAC图像，探讨了十八种混合架构。这些架构结合了深度学习技术（Inception-V3、MobileNet-V2和DenseNet-121）的特征提取能力，并使用三种机器学习分类器（支持向量机、决策树和k-最近邻）对乳腺细针穿刺细胞学图像进行二分类。我们的研究基于一个包含427张图像（152张良性，275张恶性）的本地数据集，后来通过数据增强扩展到了2,866张图像（1,216张良性，1,650张恶性）。当与支持向量机分类器结合使用时，这种混合模型在内部测试中实现了98.26%的最高准确率，同时具备最佳的灵敏度（97.95%）和特异性（98.48%）。此外，利用Grad-CAM的可解释性模型获得了专家病理学家95%的阳性临床验证结果，这凸显了该模型的可靠性和可解释性——这对于临床应用和决策支持至关重要。所提出的混合模型凭借其出色的指标和验证率，证明了其在提供清晰、可解释的见解以支持临床决策方面的能力。