XAI-FusionNet:基于多尺度特征融合与可解释的人工智能的糖尿病足检测

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 糖尿病并发症和伤口护理

背景情况:

• 糖尿病足 (DFU) 是糖尿病的严重并发症,经常导致肢体截肢.
• 早期和准确地检测DFU对于改善患者存活率和预防严重后果至关重要.
• 现有的诊断方法可能缺乏及时识别DFU所需的精度.

研究的目的:

• 推出FusionNet,一个新的多尺度特征融合网络,用于准确的DFU检测.
• 为了利用多个预训练的卷积神经网络 (CNN) 算法来增强特征提取.
• 使用可解释的人工智能 (XAI) 技术来提高DFU检测模型的可解释性.

主要方法:

• 一组6963张皮肤图像 (3574张健康图像,3389张DFU) 的数据集使用高斯过器,中位过器和运动模糊估计进行了预处理.
• 三个预先训练的CNN (DenseNet201,VGG19,NASNetMobile) 提取了高频特征,这些特征被一个元调器模块融合和精炼.
• 为了分析和透明度,使用了统计测试 (弗里德曼,ANOVA) 和XAI算法 (SHAP,LIME,Grad-CAM).

主要成果:

• FusionNet实现了卓越的分类性能:准确率为99.05%,回忆率为98.18%,精度为100.00%,AUC为99.09%和F1得分为99.08%.
• 该模型显示,与单个子网络相比,该模型的性能优越,通过统计学意义验证.
• 集成的XAI算法为DFU识别模型的决策过程提供了透明度.

结论:

• FusionNet提供了一个高度准确和可靠的深度学习方法来区分DFU和健康的皮肤.
• 多级特征融合和XAI集成增强了诊断能力和临床信任.
• 这种新型网络具有显著的潜力,可以在临床环境中作为一种有价值的工具,用于早期发现和管理DFU.