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

该研究提出了一种综合框架，将卷积神经网络（CNN）和可解释人工智能（XAI）结合起来，利用CBIS-DDSM数据集增强乳腺癌诊断。由于深度学习（DL）模型通常作为“黑匣子”运行，难以让医疗保健专业人员信任和理解其决策过程，因此该方法对数据预处理管道和高级数据增强技术进行了详细阐述，以克服数据集限制，采用预训练网络（如VGG-16、Inception-V3和ResNet）的迁移学习。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AI生成的解释与专家注释之间的对齐程度来突出显示。这种方法对于XAI在促进AI辅助诊断的可信度和道德公平性方面至关重要。我们的研究结果说明了CNN和XAI在推进乳腺癌诊断方法方面的有效合作，从而促进了先进AI技术在临床环境中更无缝地集成。通过提高AI驱动决策的可解释性，这项工作为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，我们的研究成果的影响远远超出了当前的方法。它鼓励进一步研究如何结合多模态数据和改进AI解释以满足临床实践的需求。

本论文旨在解决乳腺癌诊断中深度学习模型的“黑匣子”问题，提出了一种结合卷积神经网络和可解释人工智能的综合框架，以提高乳腺癌诊断的准确性和可信度。

论文的关键思路是结合卷积神经网络和可解释人工智能，使用预训练的网络进行迁移学习，并使用Hausdorff度量来评估AI生成的解释与专家注释之间的一致性。

论文采用了CBIS-DDSM数据集，并进行了详细的数据预处理和增强技术，实现了CNN和XAI的协同作用，提高了乳腺癌诊断的可解释性和可信度。论文的实验结果表明，该方法在乳腺癌诊断方面具有很高的准确性和鲁棒性。此外，论文还鼓励进一步研究如何结合多模态数据和改进AI解释，以满足临床实践的需求。

近期的相关研究包括： 1. "Breast Cancer Diagnosis Using Deep Learning Techniques: A Review"; 2. "Interpretable Deep Learning for Breast Cancer Diagnosis Using Convolutional Neural Networks"; 3. "Breast Cancer Detection and Diagnosis: A Review of Recent Techniques"。