Классификация изображений на основе глубокого обучения для интеграции патологии и радиологии в медицинской визуализации с поддержкой искусственного интеллекта

Deep learning-based image classification for AI-assisted integration of pathology and radiology in medical imaging
Lanting He, Lan Luan, Dan Hu
2025-06-02

глубокое обучениеадаптация доменаобъяснимый искусственный интеллектклассификация медицинских изображенийинтеграция патологии и радиологии
Введение: Интеграция патологии и радиологии с помощью искусственного интеллекта (ИИ) представляет собой революционное достижение в области медицинской визуализации, предоставляя мощный инструмент для точной диагностики и оптимизации клинических рабочих процессов. Традиционные методы классификации изображений сталкиваются со значительными трудностями вследствие присущих наборам медицинских изображений сложности и неоднородности, включая мультимодальные источники данных, несбалансированное распределение классов и критическую необходимость интерпретируемости при принятии клинических решений. Методы: Для устранения этих ограничений в исследовании предложена инновационная платформа на основе глубокого обучения, адаптированная для задач медицинской визуализации с поддержкой ИИ. Она включает два новых компонента: адаптивную многомасштабную сеть визуализации (Adaptive Multi-Resolution Imaging Network, AMRI-Net) и стратегию объяснимого адаптивного к домену обучения (Explainable Domain-Adaptive Learning, EDAL). AMRI-Net повышает точность диагностики за счёт многоразрешающего извлечения признаков, механизмов слияния под управлением внимания и декодеров, специфичных для конкретных задач, что позволяет модели точно выявлять как детализированные, так и общие закономерности в различных методах визуализации, включая рентгенографию, компьютерную томографию (КТ) и магнитно-резонансную томографию (МРТ). EDAL существенно повышает обобщаемость в различных доменах благодаря передовым методам выравнивания доменов, одновременно интегрируя обучение с учётом неопределённости для приоритизации прогнозов с высокой степенью уверенности. В стратегии применяются инструменты интерпретируемости на основе механизмов внимания для выделения критически важных областей изображений, что повышает прозрачность и клиническое доверие к диагнозам, основанным на ИИ. Результаты: Экспериментальные результаты на мультимодальных наборах медицинских изображений подчёркивают превосходную эффективность предложенной платформы: точность классификации достигает 94,95%, а значения F1 — 94,85%, что дополнительно повышает прозрачность и клиническое доверие к диагнозам, основанным на ИИ. Обсуждение: Это исследование устраняет разрыв между патологией и радиологией, предлагая комплексное решение на основе ИИ, соответствующее меняющимся требованиям современной системы здравоохранения за счёт обеспечения точности, надёжности и интерпретируемости...
1
Инструменты интерпретируемости на основе внимания выделяют клинически значимые области изображений, повышая прозрачность и потенциально укрепляя доверие к диагностике с использованием ИИ.
2
В экспериментах на мультимодальных наборах медицинских изображений точность классификации достигла 94,95%, а F1-мера — 94,85%.
3
Стратегия EDAL повышает обобщаемость между предметными областями с помощью выравнивания доменов, обучения с учетом неопределенности и приоритизации высоконадежных предсказаний.
4
Предложенная система поддерживает интеграцию патологии и радиологии для данных рентгенографии, КТ и МРТ, выявляя как мелкомасштабные, так и глобальные закономерности.
5
В исследовании представлена AMRI-Net, объединяющая многоуровневое извлечение признаков, слияние под управлением внимания и специализированные декодеры для неоднородных медицинских изображений.

мультимодальные медицинские изображения, объединяющие данные патологии и радиологии, включая рентгеновские, КТ- и МРТ-изображения

эффективность классификации изображений с помощью глубокого обучения, обобщаемость по доменам, прогнозирование с учетом неопределенности и интерпретируемость для диагностики с помощью ИИ

Publication Details
Publication Date
2025-06-02
Journal
Publisher
ISSN
Cited by
23
Access Type
Author Information
Authors
Lanting He
Lan Luan
Dan Hu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%