Ricerca sull'IA Propone Rete a Doppio Backbone per la Classificazione dei Tumori Cerebrali con Accuratezza del 99,24%
Un nuovo modello di deep learning chiamato DB-FGA-Net dimostra prestazioni eccezionali nella classificazione multiclasse dei tumori cerebrali, raggiungendo un'accuratezza del 99,24% sul dataset 7K-DS senza richiedere aumento dei dati. Il sistema integra i backbone VGG16 e Xception con un Blocco di Attenzione a Cancello di Frequenza per catturare sia le caratteristiche locali che globali, mostrando robustezza su dataset di dimensioni variabili. Per la trasparenza clinica, la visualizzazione Grad-CAM evidenzia le specifiche regioni tumorali che influenzano le previsioni, affrontando le preoccupazioni di interpretabilità nelle applicazioni mediche. Questo approccio avanza le diagnosi neuro-oncologiche combinando alta accuratezza con tecniche di IA spiegabile.
Fatti principali
- DB-FGA-Net raggiunge il 99,24% di accuratezza sul dataset 7K-DS per la classificazione dei tumori cerebrali in 4 classi
- Il modello integra i backbone VGG16 e Xception con il Blocco di Attenzione a Cancello di Frequenza
- Il sistema opera senza aumento dei dati, dimostrando una forte generalizzazione
- La visualizzazione Grad-CAM fornisce interpretabilità clinica delle previsioni
- Metriche di prestazione aggiuntive includono accuratezze del 98,68% e 99,85% in altri contesti
- La ricerca affronta le limitazioni di fiducia nelle applicazioni cliniche di deep learning
- Articolo pubblicato su arXiv con identificatore 2510.20299v3
- Il metodo cattura caratteristiche tumorali locali e globali complementari
Entità
Istituzioni
- arXiv