评估视网膜疾病的诊断,使用可解释的轻量级CNN模型,抵御敌对攻击

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 从光学一致性断层扫描 (OCT) 图像中手动诊断视网膜疾病是劳动密集的.
• 对视网膜异常需要自动化,高效和准确的诊断工具.
• 卷积神经网络 (CNN) 在医学诊断中显示出对图像分类任务的前景.

研究的目的:

• 开发和评估一个CNN模型,用于将OCT图像分类为以下类别:胸腔新血管化 (CNV),糖尿病黄斑胀 (DME),德鲁森和正常.
• 通过使用快速渐变信号方法 (FGSM) 评估模型对抗对手攻击的稳定性.
• 通过使用LIME和SHAP等可解释AI (XAI) 技术来提高模型的解释性.

主要方法:

• 一个轻量级的CNN模型在一个OCT数据集上使用10倍交叉验证进行了训练和验证.
• 使用快速渐变信号方法 (FGSM) 来测试模型对噪声的抗性,使用不同的epsilon值.
• 局部可解释的模型不可知解释 (LIME) 和夏普利添加式解释 (SHAP) 用于模型的可解释性.
• 补充数据集 (COVID-19,结石) 被纳入,以提高模型的稳定性.

主要成果:

• 该模型实现了平均94.29%的k倍测试精度和94.12%的验证精度.
• 美国有线电视新闻 (CNN) 模型表现出了强度,使用FGSM正确处理低于0.1epsilon的噪音水平.
• 可解释的人工智能方法为模型对视网膜图像的决策过程提供了可解释的见解.
• 该模型的性能与最先进的方法相美,即使在结合了额外的数据集之后.

结论:

• 拟议的CNN模型为基于OCT图像的视网膜疾病的自动诊断提供了一个高效和准确的解决方案.
• 集成XAI增强了对AI模型在临床环境中的信任和理解.
• 该研究强调了人工智能在推进医疗诊断和支持医疗物联网 (IoMT) 应用方面的潜力.