改善皮肤病变的分类,通过突出指导的损失功能
1Université de Tunis El Manar, Institut Supérieur d'Informatique, Research Team on Intelligent Systems in Imaging and Artificial Vision (SIIVA), LR16ES06, Laboratoire de recherche en Informatique, Modélisation et Traitement de l'Information et de la Connaissance (LIMTIC), 2 Rue Abou Rayhane Bayrouni, Ariana 2080, Tunisia.
Computers in biology and medicine
|May 16, 2025
概括
这项研究通过将可解释性 (XAI) 突出度得分纳入损失函数来增强皮肤病变分类的深度学习. 这种新的方法提高了诊断准确性和模型可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 深度学习显著推进了医学图像分析,特别是在皮肤病变分类方面.
- 在医学成像深度学习模型中实现高分类准确性和可解释性仍然存在挑战.
研究的目的:
- 为了提高深度学习分类器的性能和皮肤病变分类中的可解释性.
- 引入一种方法,将可解释AI (XAI) 的突出性得分集成到损失函数中.
主要方法:
- 开发了一个自定义的损失函数,将从XAI突出度得分中获得的惩罚权重纳入其中.
- 在HAM10000和PH2数据集上使用Inception-ResNet-v2,EfficientNet-B3和ResNeXt分类器评估了该方法.
- 用各种XAI方法进行测试,以评估它们对分类性能的影响.
主要成果:
- 在HAM10000上达到94.3%的准确性,在PH2数据集上达到98%的准确性,超过了基线方法.
- 通过使用LRP指导损失函数而不是标准损失函数,证明了分别提高了7%和6%的准确性.
- 与最先进的方法相比,展示了相当大的性能提升.
结论:
- 建议将突出性得分集成到损失函数中,有效地提高了深度学习模型的性能和可靠性.
- 该方法提供了对XAI技术在改善分类结果方面的有效性的定量评估.
- 该方法解决了医学成像方面的关键挑战,提供了更可靠的AI驱动诊断工具.
