Explainable artificial intelligence for detecting lung cancer

Early and reliable diagnosis of lung cancer is a major medical objective. This study makes a groundbreaking contribution to the field of smart healthcare by employing the capabilities of Explainable Artificial Intelligence (AI) and the Grad-CAM (Gradient-weighted Class Activation Mapping) visualization technique to improve lung cancer detection. The LIDC-IDRI dataset is used in the study to create a deep-learning model that can distinguish between benign and malignant lung diseases based on image features. This study demonstrates the importance of the Grad-CAM technique by highlighting the parts of medical images that have the most impact on the diagnostic choices made by the model. This method is in line with the developing normsof smart healthcare, where trust and transparency are of the utmost importance because it prioritizes classification accuracy and interpretability.The convincing findings of the study show that the model is highly accurate at distinguishing between benign and malignant instances. The model's diagnostic insights are equally impressive, but giving vivid and context-rich explanations really sets it apart. The model's usefulness in the actual worldis boosted by incorporating the LIDC-IDRI dataset, which guarantees the diversity and authenticity of the data. This study provides a benchmarkfor progress in the field of smart healthcare since it balances cutting-edge AI capability with explainability. The results of this study could enhance patient outcomes by lowering mortality rates through earlier diagnosis and streamlining clinical processes. To fight lung cancer, AI-driven precisionand interpretability offer a viable path through healthcare's complexity.

---

Wczesna i wiarygodna diagnoza raka płuc jest głównym celem medycznym. Niniejsze badanie stanowi przełomowy wkład w dziedzinę inteligentnej opieki zdrowotnej poprzez wykorzystanie możliwości sztucznej inteligencji (AI) i techniki wizualizacji Grad-CAM (Gradient-weighted Class Activation Mapping) w celu poprawy wykrywania raka płuc. W badaniu wykorzystano zbiór danych LIDC-IDRI do stworzenia modelu głębokiego uczenia, który może rozróżniać łagodne i złośliwe choroby płuc na podstawie cech obrazu. Badanie to pokazuje znaczenie techniki Grad-CAM poprzez podkreślenie części obrazów medycznych, które mają największy wpływ na wybory diagnostyczne dokonywane przez model. Metoda ta jest zgodna z rozwijającymi się normami inteligentnej opieki zdrowotnej, w której zaufanie i przejrzystość mają ogromne znaczenie, ponieważ priorytetowo traktuje dokładność klasyfikacji i możliwość interpretacji. Przekonujące wyniki badania pokazują, że model jest bardzo dokładny w rozróżnianiu łagodnych i złośliwych przypadków. Wyniki diagnostyczne modelu są równie imponujące, ale żywe i bogate w kontekst wyjaśnienia naprawdę go wyróżniają. Przydatność modelu w rzeczywistym świecie jest zwiększona dzięki włączeniu zbioru danych LIDC-IDRI, który gwarantuje różnorodność i autentyczność danych. Badanieto stanowi punkt odniesienia dla postępu w dziedzinie inteligentnej opieki zdrowotnej, ponieważ równoważy najnowocześniejsze możliwości sztucznej inteligencji z możliwością wyjaśnienia. Wyniki tego badania mogą poprawić wyniki pacjentów poprzez obniżenie wskaźników śmiertelności dzięki wcześniejszej diagnozie i usprawnieniu procesów klinicznych. Aby walczyć z rakiem płuc, precyzja i interpretowalność oparta na sztucznej inteligencji oferują realną drogę przez złożoność opieki zdrowotnej.