利用强大的最优深度迁移学习技术和XAI模型，从计算机断层扫描图像中实现智能的肺癌检测

《BMC Medical Informatics and Decision Making》：An intelligent lung cancer detection from computed tomography images using robust optimal deep transfer learning with XAI model

　　

摘要

肺癌仍然是全球癌症相关死亡的主要原因之一，因此需要通过智能且有效的诊断系统实现精准和早期的检测。本文提出了一种基于改进的鲨鱼嗅觉优化（MSSO）技术的深度迁移学习框架，用于利用计算机断层扫描（CT）图像进行可解释的肺癌检测。该工作流程首先使用DeepLabV3模型对输入图像进行预处理和分割，以精确分离肺部区域并消除背景噪声。随后，通过增强型DNN模型对分割出的特征进行处理，以提高特征的鲁棒性并减少冗余。接着，采用MSSO方法提取最具相关性和区分性的特征子集用于分类。最后，使用基于深度迁移学习的Inception ResNetV2模型对优化后的特征子集进行分类，从而提高识别准确性并确保快速收敛。为了增强模型的透明度和临床可信度，引入了可解释人工智能（XAI）技术（通过GradCAM+）来可视化关键肺部区域，从而辅助决策过程。在LIDC-IDRI数据集上的实验结果表明，所提出的MSSO-InceptionResNetV2混合方案在准确性、敏感性、特异性、ROC值和精确度方面均优于传统模型，并且降低了假阳性率（FPR）和计算时间。因此，该方案为肺癌的自动化诊断提供了可靠且可解释的解决方案，具有重要的临床应用潜力，有助于早期干预和改善患者预后。