.png){kind=icon}
返回
Explainable fusion-based transfer learning for lung diseases classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s13721-025-00706-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
维持最佳肺健康对整体健康至关重要，但急性和慢性呼吸系统疾病（CRDs）持续构成重大全球健康挑战，对死亡率、发病率和生产力产生负面影响。本研究引入了一种先进的诊断框架，用于检测和分类肺部状况，特别是从胸部X光数据集中识别正常、肺不透明和病毒性肺炎，以及从CT扫描中识别正常和肺炎病例，采用深度迁移学习技术。该框架利用三种最先进的卷积神经网络（CNN）：ResNet50、ResNet101和EfficientNetB0进行初始图像分类。此外，还研究了两种混合架构：（1）特征级集成，合并从ResNet50和EfficientNetB0提取的特征；（2）决策级融合，结合ResNet50和ResNet101的输出。为增强临床可解释性，采用可解释人工智能（XAI）技术，包括局部可解释模型无关解释（LIME）、SHapley加性解释（SHAP）和集成梯度，以突出诊断相关区域并提供模型决策的透明度。实验结果表明，决策级融合模型（ResNet50 + ResNet101）显著优于所有基线方法。具体而言，在胸部X光片上，其准确率达到95.68%，精确率为96.33%，召回率为97.66%，F1得分为97.33%；在CT扫描上，准确率达到99.61%，精确率为99.50%，召回率为99.50%，F1得分为完美的100%。这些发现强调了混合架构在医学图像分析中的有效性，并突出了整合迁移学习与XAI技术的优势，为肺部医学的临床决策支持提供了更高的诊断准确性和改进的模型透明度。
Keyword:
Lung disease classification
Chest x-ray
CT scan
Hybrid CNN models
Explainable AI (XAI)
Decision-level fusion
期刊
N
IF:
0
论文数:
178
被引数:
1
机构
引用论文
ADVANCEMENTS IN CT LUNG CANCER DIAGNOSIS: THE ROLE OF DEEP LEARNING FOR EFFECTIVE CLASSIFICATIONCT肺癌诊断的进展: 深度学习在有效分类中的作用
PREAI
分享收藏Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
OAAI
OAAI分享收藏Efficient GAN-based Chest Radiographs (CXR) augmentation to diagnose coronavirus disease pneumonia
OAAI
OAAI分享收藏Explainable artificial intelligence (XAI) in deep learning-based medical image analysis基于深度学习的医学图像分析中的可解释人工智能 (XAI).png)
MEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Texture-Based Classification to Overcome Uncertainty between COVID-19 and Viral Pneumonia Using Machine Learning and Deep Learning TechniquesDIAGNOSTICSOAAI
DIAGNOSTICSIF3.3
OAAI分享收藏分享收藏
查看更多内容