胶质瘤预后的透明化机器学习和解释性洞察力应用于解释性人工智能的赋能 学术背景 本研究致力于开发一种可靠的技术，来通过多种机器学习方法及深度学习方法，结合解释性人工智能（XAI，Explainable Artificial Intelligence）技术检测患者是否患有特定类型的脑肿瘤——胶质瘤。胶质瘤（glioma）是起源于胶质细胞的中枢神经系统癌症的一种，具有快速生长和侵袭健康脑组织的特性，常见的治疗方法包括手术、放射治疗、化疗等。通过整合患者数据，包括医疗记录、遗传档案等，机器学习算法能够预测每个个体对不同医疗干预的反应。 论文来源 该论文由Anisha Palkar、Cifha Crecil Dias（IEEE高级会员）、Krishnaraj Chadaga和Niranjana Sam...

由于脑肿瘤的高发病率和致命性，快速且准确地检测和分类脑肿瘤变得尤为重要。脑肿瘤包括恶性和非恶性两种类型，其异常生长会对大脑造成长期损害。磁共振成像（MRI）是一种常用的脑肿瘤检测方法。然而，依赖于专家手工分析 MRI 影像存在结果不一致的风险，同时仅仅识别肿瘤是不够的，快速确定肿瘤类型以尽早开始治疗同样重要。 为了提高肿瘤检测的速度、可靠性和公正性，本研究探索了多种深度学习（Deep Learning, DL）架构，包括 VGG16、InceptionV3、VGG19、ResNet50、InceptionResNetV2 和 Xception，并提出了基于最佳三种传递学习（Transfer Learning, TL）模型的新模型 IVX16。本文的多类分类模型旨在解决当前主要集中在二分类问题...