用于肺癌筛查的可解释AI

本文通过提出一种将放射组学特征与Lung-RADS语义联系起来的新方法，解决了当前肺癌筛查方法的局限性。放射学-生物学词典的开发是提高个性化医疗中AI模型可解释性的重要一步。半监督学习框架和SHAP分析的使用进一步增强了所提出方法的鲁棒性和可解释性。高验证准确率（0.79）表明，这种方法有可能改善肺癌的检测和诊断。

• •提出了一种放射学-生物学词典，用于连接放射组学特征与Lung-RADS语义。
• •采用半监督学习框架来提高泛化能力。
• •利用SHAP分析来识别与Lung-RADS语义相对应的关键放射组学特征。
• •实现了0.79的验证准确率，表明了改善肺癌筛查的潜力。