Key points are not available for this paper at this time.
Anormalidades renais são uma das grandes preocupações da sociedade moderna, afetando milhões de pessoas ao redor do mundo. Para diagnosticar diferentes anormalidades nos rins humanos, utiliza-se um procedimento de imagem por raios-x em feixe estreito, a tomografia computadorizada, que cria cortes transversais dos rins. Vários modelos de aprendizado profundo têm sido aplicados com sucesso a imagens de tomografia computadorizada para fins de classificação e segmentação. No entanto, tem sido difícil para os clínicos interpretar as decisões específicas do modelo, criando assim um sistema de “caixa-preta”. Além disso, tem sido complicado integrar modelos complexos de aprendizado profundo para dispositivos da internet das coisas médicas devido aos exigentes parâmetros de treinamento e ao custo de recursos de memória. Para superar esses problemas, o presente estudo propôs (1) uma rede neural convolucional personalizada e leve para detectar cistos, cálculos e tumores renais e (2) valores de IA Shapely compreensíveis baseados na explicação aditiva de Shapley e resultados preditivos com base nas explicações locais interpretáveis independentes do modelo para ilustrar o modelo de aprendizado profundo. O modelo CNN proposto teve um desempenho melhor do que outros métodos de ponta e obteve uma precisão de 99,52 ± 0,84% para K = 10 do uso da amostragem estratificada. Com resultados aprimorados e melhor poder interpretativo, o trabalho proposto fornece aos clínicos resultados conclusivos e compreensíveis.
Bhandari et al. (Ter,) estudaram essa questão.