Publisher

IAESONLINEIAESONLINE

Journal Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI) Abstract

Penggunaan arsitektur deep learning (DL) seperti U-Net dan GANs memastikan pelatihan model yang aman dan terdistribusi di berbagai rumah sakit. Penelitian ini mengusulkan kerangka kerja yang menggunakan pembelajaran federasi (FL) untuk mengonversi Computed Therapy (CT) menjadi gambar setara Magnetic Resonance Imaging (MRI) dengan menjaga privasi data pasien. Model yang diusulkan menggabungkan DL dengan peta saliensi dan Grad-CAM, yang merupakan alat Explainable AI (XAI). Tujuannya adalah untuk menawarkan transparansi dan membangun kepercayaan dalam mendiagnosis penyakit. Kualitas gambar diukur menggunakan metrik Structural Similarity Index (SSIM) dan Paek Signal to Noise Ratio (PSNR) untuk memastikan sintesis gambar berkualitas tinggi. Solusi yang diusulkan meningkatkan aksesibilitas diagnostik di rumah sakit dengan sumber daya terbatas dan rumah sakit pedesaan dengan menjaga data pasien sesuai standar. Model yang ditingkatkan memperkuat kerangka kerja, teknik privasi, dan teknik agregasi aman digunakan untuk mencegah kebocoran data model selama pelatihan model atau pembaruan. Studi ini menyediakan lapisan perlindungan tambahan untuk memastikan bahwa bahkan informasi tingkat gradien yang dibagikan antara rumah sakit tidak dapat ditelusuri kembali ke data pasien individu. Sistem yang diusulkan dapat dikembangkan dan memungkinkan integrasi dengan berbagai infrastruktur rumah sakit dan modus pencitraan. Model ini menyediakan aksesibilitas dengan mengubah CT menjadi MRI melalui XAI yang aman. Akurasi model berkisar 95% dengan akurasi validasi yang mendekati akurasi pelatihan. Ide yang diusulkan menyediakan diagnosis darurat dengan aksesibilitas yang mudah dengan menjaga privasi.

Conclusion

Penelitian ini memperkenalkan kerangka kerja pembelajaran federasi yang terintegrasi dengan modul Explainable AI (XAI) untuk menyediakan visualisasi yang dapat dijelaskan untuk diagnosis tumor.Model ini mampu mengonversi CT menjadi gambar setara MRI dengan akurasi tinggi dan validasi akurasi yang mendekati akurasi pelatihan, menunjukkan bahwa model tidak mengalami overfitting.Metrik kualitatif dan kuantitatif menunjukkan bahwa gambar MRI yang dihasilkan memiliki kesamaan persepsi dan anatomi yang tinggi, dengan inspeksi visual oleh ahli klinis yang mengonfirmasi bahwa gambar MRI sintetis mempertahankan landmark anatomi kunci, termasuk batas-batas materi abu-abu dan putih dan struktur ventrikel, terutama dalam kasus patologis.Integrasi lapisan biofisika dan neuro-simbolik secara signifikan mengurangi artefak yang umum terjadi pada keluaran CycleGAN standar, seperti hiperintensitas palsu di daerah tulang.Visualisasi Grad-CAM digunakan untuk menyoroti daerah dalam MRI input yang berkontribusi paling banyak terhadap proses pengambilan keputusan model.Hasil diagnosis menunjukkan akurasi yang kuat (F1-score 0.92) dalam membedakan antara empat kategori tumor.glioma, meningioma, tumor pituitari, dan tanpa tumor.Kerangka kerja ini tidak hanya mengatasi batasan utama dalam pencitraan lintas-modus, privasi, dan interpretabilitas, tetapi juga meletakkan dasar untuk penerapan yang dapat dikembangkan di alur kerja neurodiagnostik dunia nyata.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi pembelajaran multi-modus dengan jenis pencitraan tambahan, menggabungkan laporan klinis untuk fusi multi-modus, dan mengoptimalkan inferensi real-time untuk penerapan di pengaturan sumber daya rendah. Selain itu, penelitian dapat dilakukan untuk meningkatkan kepercayaan terhadap sistem dengan mengurangi kebingungan dalam klasifikasi glioma sebagai tumor pituitari melalui wawasan XAI tambahan atau augmentasi data. Penerapan kerangka kerja ini di alur kerja neurodiagnostik dunia nyata juga dapat menjadi fokus penelitian selanjutnya, dengan mempertimbangkan tantangan-tantangan yang mungkin timbul dalam penerapan klinis.

References

1. AI-Powered CT Scan Enhancement: Turning CTs into MRI Quality Images for Faster and Safer Diagnoses |... section.iaesonline.com/index.php/IJEEI/article/view/6996AI Powered CT Scan Enhancement Turning CTs into MRI Quality Images for Faster and Safer Diagnoses section iaesonline index php IJEEI article view 6996
2. Privacy-Preserving Deep Learning | Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications... dl.acm.org/doi/10.1145/2810103.2813687Privacy Preserving Deep Learning Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications dl acm doi 10 1145 2810103 2813687

Metadata

File size	904.88 KB
Pages	14
DMCA	Report