使用ResNet和Swin变压器深度学习模型优化白风诊断:一项关于性能和可解释性的研究
Fan Zhong1, Kaiqiao He2, Mengqi Ji1
1College of Electrical Engineering, Sichuan University, Chengdu, China.
Scientific reports
|April 21, 2024
概括
深度学习模型可以显著改善白风的诊断. 斯温变压器大型模型表现出卓越的准确性和可解释性,帮助皮肤科医生检测这种皮肤状况.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- Vitiligo 是一种低颜色的皮肤疾病,导致黑色素损失,需要专家皮肤病学评估.
- 专业皮肤科医生短缺使得及时和准确的白风诊断成为一个挑战.
- 深度学习模型为提高诊断准确性和效率提供了一个潜在的解决方案.
研究的目的:
- 开发和评估深度学习模型,以改善白风检测.
- 为了比较ResNet和Swin Transformer模型的性能,用于白风的分类.
- 通过可视化突出诊断区域来评估模型的解释性.
主要方法:
- 对五种深度学习模型进行比较分析:ResNet (ResNet34,ResNet50,ResNet101) 和Swin变压器 (基础,大).
- 所有模型都采用了统一的测试条件.
- 用类激活地图和特征地图来评估模型的可解释性.
主要成果:
- 斯温变压器大型型号实现了最高的分类性能,其AUC为0.94,准确度为93.82%,灵敏度为94.02%,特异性为93.5%.
- 视觉化证实,突出显示的区域与白风病变相对应,表明诊断相关性.
- 功能地图可视化提供了对模型机制的见解,有助于解释性和潜在的性能调整.
结论:
- 深度学习,特别是Swin Transformer Large模型,显示了提高白风诊断准确性和效率的巨大潜力.
- 该模型的可解释性特征支持皮肤病学中的临床决策.
- 需要进一步的研究,以充分利用医学诊断中的深度学习.
