利用可解释深度学习进行脑出血检测与定位的医学成像研究 - AI与医疗健康

利用可解释深度学习进行脑出血检测与定位的医学成像研究Cerebral hemorrhage detection and localization with medical imaging for cerebrovascular disease diagnosis and treatment using explainable deep learning | Journal of the Korean Physical Society

环球医讯 / AI与医疗健康来源：link.springer.com韩国 - 英文2025-09-08 21:46:58 - 阅读时长2分钟 - 573字

本研究开发基于ResNet深度学习模型的脑出血检测系统，通过梯度类激活图（Grad-CAM）实现出血位置可视化。使用200例CT图像（含蛛网膜下腔、脑室、硬膜下、硬膜外及脑实质出血）进行训练，系统准确率达81%，敏感度67%，特异性86%，验证了可解释性人工智能在脑血管疾病诊断中的可行性，其像素级定位误差在(-4,1)范围内，为急诊救治提供技术支持。

脑出血检测与定位的医学成像研究

本研究旨在开发基于可解释深度学习的脑出血检测与定位系统。通过分析200例CT图像（含正常脑部及蛛网膜下腔、脑室、硬膜下、硬膜外及脑实质出血），构建ResNet深度学习模型。利用梯度类激活图（Grad-CAM）技术在出血部位生成热力图可视化解释，系统性能评估显示准确率达81%，敏感度67%，特异性86%。

研究构建的出血预测系统可准确识别正常脑部及五类出血部位，Grad-CAM热力图与实际出血位置的像素级重叠误差范围为(-4,1)。该研究成果验证了可解释人工智能（XAI）在医学影像中检测脑出血并可视化定位的可行性，为快速诊断和治疗提供了技术支持。