用GAN增强的混合深度学习与可解释的AI用于自动化白内障诊断
Shashank Mouli Satapathy1, Mitali Gopinath Paul2, Anusha Garg2
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, 632014, Tamil Nadu, India. shashankmouli.s@vit.ac.in.
Journal of medical systems
|October 2, 2025
概括
这项研究引入了一种使用生成性AI (GenAI) 和可解释性AI (XAI) 的新深度学习方法,用于改进白内障检测. 先进的系统实现了高精度,提高了诊断可靠性和临床信任.
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:
- 白内障是导致视力障碍的主要原因,需要准确及时诊断.
- 当前的自动化白内障检测系统面临着数据多样性,可解释性和现实世界概括性的挑战.
- 可解释AI (XAI) 和生成AI (GenAI) 为这些局限性提供了潜在的解决方案.
研究的目的:
- 开发和评估一种用于增强白内障检测的新型深度学习模型.
- 提高自动诊断系统的解释性和概括能力.
- 为了利用GenAI进行数据增强和XAI进行临床透明度.
主要方法:
- 在混合数据集上训练了一个微调的InceptionResNetV2模型,包括真实和生成对手网络 (GAN) 生成的合成图像.
- 使用类权重和分层K折交叉验证来管理数据不平衡并确保 robust 模型评估.
- 梯度加权类激活映射 (Grad-CAM) 用于模型预测的图形解释.
主要成果:
- 该模型实现了97.58% (SD=0.0040) 的平均K折准确率.
- 在外部数据集上,该模型在白内障类别中获得了97%的整体准确性,0.9944 AUC,高精度 (96%),回忆 (94%) 和F1得分 (95%).
- 与现有方法相比,该系统表现出优越的性能和可解释性.
结论:
- 拟议的深度学习方法,整合GenAI和XAI,显著提高了白内障检测的准确性和可靠性.
- 该方法解决了数据的局限性,并提高了模型的解释性,促进了更大的临床信任,并促进了专家验证.
- 这种新的系统比目前的白内障自动诊断工具提供了一个有希望的进步.
