Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI

本研究介绍了一种结合卷积神经网络（CNN）和可解释人工智能（XAI）的综合框架，使用CBIS-DDSM数据集增强乳腺癌诊断。利用经过微调的ResNet50架构，我们的研究不仅有效地将乳腺X线照片区分为良性和恶性类别，还通过采用XAI方法（Grad-CAM、LIME和SHAP）来解释CNN决策过程，以供医疗专业人员参考，从而解决了深度学习模型的“黑匣子”问题。我们的方法包括复杂的数据预处理流程和先进的数据增强技术，以应对数据集的局限性，并采用预训练网络（如VGG-16、DenseNet和ResNet）进行迁移学习。我们研究的重点是评估XAI在解释模型预测方面的有效性，通过使用Hausdorff度量来定量评估人工智能生成的解释与专家注释之间的一致性。这种方法在促进AI辅助诊断的可信度和道德公正方面发挥了关键作用。我们研究的结果说明，CNN和XAI的有效协作可以推进乳腺癌诊断方法，从而在临床环境中更无缝地整合先进的AI技术。通过提高AI决策的可解释性，本研究为AI系统和医疗从业者之间的更好协作奠定了基础，最终丰富了患者护理。此外，我们的研究意义超越当前的方法，倡导对多模态数据的整合和AI解释的完善进行后续研究，以满足临床实践的需求。

本论文旨在利用卷积神经网络（CNN）和可解释人工智能（XAI）相结合的框架，提高使用CBIS-DDSM数据集进行乳腺癌诊断的准确性。同时，通过使用XAI方法解释CNN的决策过程，解决深度学习模型的不透明性问题。

本论文采用了经过微调的ResNet50架构，结合数据预处理和数据增强技术，使用迁移学习方法，如VGG-16、DenseNet和ResNet等预训练网络，实现对乳腺癌乳腺X线摄影图像进行分类。同时，通过使用XAI方法，如Grad-CAM、LIME和SHAP，解释CNN的决策过程，提高模型的可解释性。

本研究的亮点包括：采用了复杂的数据预处理流程和先进的数据增强技术，解决了数据集限制问题；通过使用XAI方法解释模型预测结果，提高了医疗专业人士对深度学习模型的信任度和道德公正性；使用Hausdorff测量法定量评估了AI生成的解释与专家注释之间的一致性；为医疗从业者和AI系统之间的协作奠定了基础。

最近的相关研究包括：1. 一种使用深度学习进行乳腺癌诊断的方法；2. 使用深度学习进行医学图像分析的综述；3. 一种基于XAI的深度学习模型解释方法的研究。