LIMEとSHAPベースのXAIヒートマップを使用したGAN拡張ハイブリッドモデルを使用して皮膚疾患の分類を強化するためのCHASHNIt

科学分野:

• 皮膚科
• 人工知能
• 医療用イメージング

背景:

• 皮膚疾患の正確な分類は,適切な診断に不可欠です.
• ディープラーニングモデルは データ不均衡や 医学的な応用における解釈の欠如といった課題に直面しています

研究 の 目的:

• EfficientNetB7,DenseNet201,InceptionResNetV2を統合した新しいハイブリッドディープラーニングモデルであるCHASHNItを導入する.
• 皮膚疾患の分類を強化し,データ不均衡に対処し,モデル解釈性を改善する.

主な方法:

• バランスのとれた階級表現を確保するために,データ増強のためにGAN (Generative Adversarial Networks) を利用した.
• 標準化と特性の選択を含む洗練された事前処理技術を実装する.
• SHAPやLIMEのような統合された説明可能なAI (Explainable AI,XAI) の方法により,モデルの透明性を確保する.

主要な成果:

• 97.8%の精度,98.1%の精度,97.5%のリコール,97.6%のF1スコア,92.3%のIU
• スウィン・トランスフォーマー,ResNet101,ConvNeXtなどのベンチマークモデルを上回った.
• アブラーション研究では,ハイブリッドアーキテクチャの相乗効果が確認されました.

結論:

• CHASHNItは,皮膚疾患の分類のための高度な,自動化されたフレームワークを提供し,スケーラビリティ,正確性,説明性のバランスをとります.
• このモデルは,既存の方法と比較して優れた性能と透明性を示しています.
• 将来の作業は,低リソースデバイスの計算効率の最適化に焦点を当てます.