使用基于 LIME 和 SHAP 的 XAI 热图增强混合模型来增强皮肤疾病的分类
Saksham Anand1, Abhiram Sharma1, B Natarajan2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Scientific reports
|August 24, 2025
概括
新的混合深度学习模型CHASHNIt显著提高了皮肤疾病分类的准确性. 它使用GAN进行数据增强和可解释的人工智能进行透明化,达到97.8%的准确性.
科学领域:
- 皮肤病学
- 人工智能
- 医学成像
背景情况:
- 准确的皮肤疾病分类对于及时诊断至关重要.
- 深度学习模型面临诸如数据不平衡和医疗应用中缺乏可解释性等挑战.
研究的目的:
- 推出一个新的混合深度学习模型CHASHNIt,集成EfficientNetB7,DenseNet201和InceptionResNetV2.
- 通过解决数据不平衡和改善模型可解释性来加强皮肤疾病的分类.
主要方法:
- 使用生成对抗网络 (GAN) 来增强数据以确保平衡的阶级代表性.
- 实施复杂的预处理技术,包括标准化和特征选择.
- 集成可解释人工智能 (XAI) 方法,如SHAP和LIME,以实现模型透明度.
主要成果:
- 实现了高性能指标:97.8%的准确性,98.1%的精度,97.5%的回忆,97.6%的F1分数,92.3%的IOU.
- 超过基准模型,包括Swin变压器,ResNet101和ConvNeXt.
- 废弃研究证实了混合架构的协同效益.
结论:
- CHASHNIt提供了一个先进的,自动化的皮肤疾病分类框架,平衡可扩展性,准确性和可解释性.
- 与现有方法相比,该模型显示出更高的性能和透明度.
- 未来的工作重点是优化低资源设备的计算效率.
