具有SHAP可解释性的metaheuristic优化的swin变压器,用于从角膜地形图进行角膜类分类
S Maria Seraphin Sujitha1, S Subiramoniyan2, J Mahil3
1Department of Electronics and Communication Engineering, St. Xavier's Catholic College of Engineering, Nagercoil, Tamilnadu, India. mariaseraphinsujithas@outlook.com.
International ophthalmology
|September 29, 2025
概括
这项研究引入了一种深度学习模型,用于使用角膜图像早期检测角质 (KCN). 该自动化系统实现了高精度,为主观诊断方法提供了可靠的替代方案.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 角膜 (KCN) 是一种渐进的角膜疾病,导致视力丧失.
- 早期检测KCN对于及时干预至关重要.
- 目前的诊断方法是主观的,缺乏早期检测的敏感性.
研究的目的:
- 为KCN检测开发一种自动化,可扩展的深度学习 (DL) 模型.
- 提高KCN诊断的准确性和可靠性.
- 为临床使用提供专家独立的诊断工具.
主要方法:
- 使用了一个深度学习模型,结合了改进的旋转变压器块 (ISTB) 和剩余多层感知子 (R-MLP).
- 使用极地狐优化器 (PFO) 进行模型培训和增强.
- 集成的SHapley添加式解释 (SHAP) 用于模型的解释性.
主要成果:
- 拟议的DL模型在基准数据集上实现了99.4%的准确性.
- 该模型的性能优于现有的诊断方法.
- SHAP分析为模型的决策过程提供了洞察力.
结论:
- 开发的DL模型为KCN检测提供了高度准确和自动化的解决方案.
- 这种方法具有临床部署的潜力,特别是在资源较少的环境中.
- 该模型提供可理解,实时和专家独立的KCN诊断.
