基于混合深度学习的可解释心肌炎症自动检测框架Ex-CMRNet研究

《BMC Medical Informatics and Decision Making》：CNN-based multi-head attention with explainability via LIME for myocardial diagnosis in cardiac magnetic resonance imaging

　　

摘要

心脏磁共振成像（CMR）是一种广泛用于评估心肌异常（包括心肌炎等炎症状况）的无创成像方式。然而，CMR 图像的解读耗时较长，且可能受观察者间差异的影响。在本研究中，我们提出了 Ex-CMRNet，这是一种用于从 CMR 图像中自动检测心肌炎症的可解释混合深度学习框架。所提出的框架结合了 EfficientNetB2 和 InceptionV3 编码器以提取互补的视觉特征，并采用多头自注意力机制来对提取的表征之间的信息关系进行建模。为了提高模型的鲁棒性，引入了训练时高斯噪声正则化，表现最佳的配置使用的标准差为 σ_train = 0.10。此外，生成了局部可解释模型不可知解释（LIME），以提供模型预测的可视化解释。在 Z-Alizadeh Sani 数据集上进行实验表明，所提出的 Ex-CMRNet 达到了 93.48% 的准确率、93.28% 的召回率、96.68% 的精确率以及 97.90% 的受试者工作特征曲线下面积。结果表明，所提出的模型在诊断性能、鲁棒性和可解释性之间提供了良好的平衡。尽管如此，研究结果应结合使用单一公共数据集且缺乏外部多中心验证这一情况进行解读。总体而言，Ex-CMRNet 代表了一种用于心肌异常检测的有前景的计算机辅助方法，它可能支持而非取代专家临床评估。