基于轻量级可解释深度学习框架的 CT 成像促进可信赖的脑卒中诊断

脑卒中是由于脑部血液供应的阻塞或破裂而发生的，属于需要快速且准确诊断的关键医疗紧急情况。然而，人工解读 CT 扫描耗时，可能延误临床决策。为了解决这一挑战，本研究提出了深度神经脑卒中检测（DNBSD）系统，这是一个基于深度学习的轻量级框架，用于从 CT 图像中自动检测卒中。该模型采用了一种任务特定的卷积神经网络（CNN）架构，包含 Conv2D、MaxPooling、Batch Normalization、Flatten 和 Dense 层，只有 1.67 百万可训练参数和 0.2973 GFLOPs 的计算复杂度，适合资源受到限制的临床环境。此外，应用了图像调整大小和标准化等预处理技术以优化性能。该模型在两个公开可用的数据集上进行了训练和评估：脑卒中 CT 图像数据集（BSCI）和脑卒中预测 CT 扫描图像数据集（BSPCSI），每个数据集均分为训练、验证和测试子集。实验结果表明，DNBSD 系统在 BSCI 数据集上的准确率为 99.20\%，AUC 为 99.96\%，在 BSPCSI 数据集上的准确率为 99.31\%，AUC 为 99.97\%，与多种基准方法和最新深度学习模型相比，显示了更好的性能。为增强可解释性并支持临床决策，集成了可解释人工智能技术，如 LIME 和 Grad-CAM，以突出影响预测的关键区域。此外，开发了一种基于网络的诊断工具，以实现实时卒中预测。研究结果表明，该方法可以作为有效且可解释的自动化卒中检测工具，具有提升临床诊断工作流程的潜力。