基于可解释人工智能的深度神经架构，利用医学图像实现对妇科癌症的准确且早期诊断

《Scientific Reports》：Deep neural architecture empowered by explainable artificial intelligence for accurate and early diagnosis of gynaecological cancer using medical images

　　

摘要

早期分析对于更有效地治疗癌症至关重要。在妇科癌症（如子宫内膜癌、卵巢癌和宫颈癌）领域，目前的努力方向是发现新的生物标志物，以帮助减轻这些癌症对全球健康的负担。对于宫颈癌，建议进行有效的筛查以预防侵袭性癌症的发生和死亡。然而，妇科癌症医学图像的解读仍然容易受到人为错误的影响。基于人工智能的解决方案为医学图像分析提供了许多帮助，以支持临床决策过程。本文介绍了一种名为“Deep Neural Architecture Empowered for Accurate Diagnosis of Gynaecological Cancer”（DNAE-ADGC）的模型，该模型利用医学影像技术进行诊断。本文的主要目的是通过开发一种准确、高效且智能的检测框架来提升妇科癌症的诊断水平。首先，图像预处理阶段采用了两级处理方法，包括自适应滤波器（其中包含中值修正维纳滤波器MMWF和交叉引导双边滤波器CGBF）。随后，使用MobileNetV3Large模型进行特征提取。此外，DNAE-ADGC算法还应用了图卷积网络（GCN）和门控循环单元（GCN-GRU）来检测和分类妇科癌症。最后，通过可解释人工智能（XAI）技术中的Grad-CAM方法提高了AI模型的透明度、可解释性和可靠性。在Malhari数据集上的对比分析显示，DNAE-ADGC方法的准确率达到了97.92%，优于其他方法。