KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-17
Ein interpretierbares hierarchisches Deep-Learning-Framework zur Erkennung von Lungen- und Darmkrebs
Originaltitel: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Die Klassifikation von Lungen- und Darmkrebs anhand histopathologischer Bilder ist schwierig, da sich die Klassen ähneln und die Gewebemorphologie variiert; zudem bieten herkömmliche Deep-Learning-Modelle kaum Transparenz. Die Autoren unterteilen die Aufgabe mit fünf Klassen in grob-bis-fein abgestufte Stufen: zunächst normal versus Krebs, anschließend ein spezialisierter Klassifikator für Normalgewebe-Kategorien oder Krebssubtypen, wobei für jede Stufe die beste Architektur ausgewählt wird. Das Framework erreichte auf LC25000 eine Genauigkeit von 98.50% und auf dem unabhängigen Datensatz LungHist700 82.01%; Grad-CAM, Grad-CAM++, LIME und Occlusion Sensitivity wurden eingesetzt, um die Bildregionen hervorzuheben, auf denen die Vorhersagen beruhen.