YOLOv5 对前眼疾病分类的注意力分析:Grad-CAM++特征重要性和切贴验证
Yoshiyuki Kitaguchi1,2, Yuta Ueno3,4,5, Takefumi Yamaguchi6,4
1Department of Ophthalmology, Osaka University Graduate School of Medicine, 2-2 Yamadaoka, Suita, Osaka, 565-0871, Japan. kitaguchi@ophthal.med.osaka-u.ac.jp.
Journal of imaging informatics in medicine
|October 14, 2025
概括
这项研究通过结合Grad-CAM++和剪贴验证来增强眼病的AI诊断. 它揭示了AI模型如何使用背景上下文,提高前段疾病的诊断透明度.
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:
- 像YOLOv5这样的深度学习模型越来越多地用于从裂纹灯图像中诊断前段疾病.
- 提高这些AI模型的可解释性对于临床信任和采用至关重要.
- 了解语境信息对诊断准确性的影响对于强大的AI系统至关重要.
研究的目的:
- 为了提高前段疾病诊断的YOLOv5模型的解释性.
- 将梯度加权类激活映射++ (Grad-CAM++) 与切割粘贴验证相结合,以实现模型可解释性.
- 评估角膜外 (背景) 信息对人工智能模型诊断准确性的影响.
主要方法:
- 一个YOLOv5模型在9个诊断类别的1039张灯照片上进行了训练和评估.
- 使用Grad-CAM++可视化跨网络层的模型注意力模式.
- 切入和粘贴验证是通过改变图像背景来评估依赖上下文信息来进行的.
- 交叉在联盟 (IoU) 被用来比较注意力地图与专家注释.
主要成果:
- 格拉德-CAM++表现出层次的关注,23层表现出疾病特异性的模式.
- 当改变背景时,某些疾病 (例如,传染性角膜炎,急性初级角关闭) 的模型准确性显著下降.
- 注意地图对于正确的预测具有更高的临床相关性 (IoU),将视觉解释与诊断可靠性联系起来.
结论:
- 结合Grad-CAM++和剪贴验证,为评估眼科人工智能模型可解释性提供了一个强大的方法.
- 这种方法阐明了层特定的注意力机制,并量化了模型对角膜外特征的依赖.
- 这些发现有助于提高人工智能驱动的眼科诊断系统的透明度和可信度.
