一项关于糖尿病视网膜病诊断模型解释性的研究
Zerui Zhang1, Hongbo Zhao1, Li Dong2
1School of Bioengineering, Chongqing University, Chongqing 400044, China.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
本研究评估了糖尿病视网膜病变分类模型的解释性方法. 像VGG这样的更简单的深度学习架构与更深度或轻量级模型相比,提供了更好的模型解释性.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 糖尿病视网膜病变检测检测
背景情况:
- 糖尿病视网膜病变是全球导致失明的主要原因.
- 准确的糖尿病视网膜病变的分类对于及时治疗至关重要.
- 深度学习模型显示出希望,但需要对临床信任进行解释性.
研究的目的:
- 评估用于糖尿病视网膜病变分类的深度学习模型的可解释性.
- 在四个不同的模型架构中比较七种可解释性方法的性能.
- 为了解模型架构如何影响分类解释性提供见解.
主要方法:
- 在VGG,ResNet,DenseNet和EfficientNet模型中应用了七种可解释性方法 (渐变,SmoothGrad,集成渐变,SHAP,DeepLIFT,Grad-CAM++,ScoreCAM).
- 利用突出地图可视化,扰动曲线分析和趋势相关性分析.
- 使用突出地图,AOPC分数,回忆和子系数量评估解释性.
主要成果:
- 模型架构显著影响可解释性质量.
- 更简单的架构 (例如,VGG) 具有更清晰的特征提取路径,显示出更好的解释性.
- 较深或较轻的架构存在某些解释性限制.
结论:
- 选择深度学习架构是实现糖尿病视网膜病变分类可靠模型解释性的关键因素.
- 未来的研究应该考虑建筑设计,以提高医疗AI的可解释性.
- 了解模型的解释性是AI在眼科临床采用的关键.
