利用轻量级可解释深度学习框架实现CT影像的可靠脑卒中诊断

《Scientific Reports》：Towards trustworthy brain stroke diagnosis using a lightweight explainable deep learning framework for CT imaging

　　

摘要

脑卒中是由于脑部血液供应受阻或破裂而引发的疾病，属于需要快速准确诊断的紧急医疗状况。然而，手动解读CT扫描结果耗时较长，可能会延误临床决策。为解决这一难题，本研究提出了深度神经网络脑卒中检测系统（DNBSD），这是一种基于轻量级深度学习的框架，可用于自动识别CT图像中的脑卒中病灶。该模型采用针对特定任务设计的卷积神经网络架构，包含Conv2D、最大池化、批量归一化、展平层和全连接层，仅有167万个可训练参数，计算复杂度为0.2973 GFLOPs，因此非常适合资源有限的临床环境。此外，还通过图像大小调整和标准化等预处理技术来提升模型性能。该模型在两个公开的数据集上进行了训练和测试：脑卒中CT图像数据集（BSCI）和脑卒中预测CT扫描图像数据集（BSPCSI），这两个数据集均被划分为训练集、验证集和测试集。实验结果表明，DNBSD系统在BSCI数据集上的准确率可达\(99.20\%\)，AUC值为\(99.96\%\)；在BSPCSI数据集上的准确率为\(99.31\%，AUC值为\(99.97\%\)，其性能优于多种基线方法及现有的先进深度学习模型。为提升模型的可解释性并辅助临床决策，研究还整合了LIME和Grad-CAM等可解释人工智能技术，用于标出影响预测结果的关键区域。同时，还开发了一种基于网络的诊断工具，可实现实时脑卒中预测。研究结果表明，所提出的方法是一种高效且具有可解释性的自动脑卒中检测工具，有望优化临床诊断流程。