通过GA选择的CNN组合进行自动DFU检测,并具有Grad-CAM可解释性
Shreya Girotra1, Achin Jain1, Sarita Yadav1
1Department of Information Technology, Bharati Vidyapeeth's College of Engineering, New Delhi, India.
Scientific reports
|December 14, 2025
概括
这项研究引入了一种优化的深度学习模型,用于检测糖尿病足 (DFU). 该模型实现了97%的准确性,改善了检测和解释性,以获得更好的患者结果.
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
- 糖尿病并发症 糖尿病并发症
背景情况:
- 糖尿病足 (DFU) 是糖尿病的严重并发症,通常导致截肢和显著的死亡率.
- 目前用于DFU检测的深度学习模型在优化准确性和可解释性方面面临挑战.
- 机器学习的进步为通过医学图像分析改善DFU检测提供了潜力.
研究的目的:
- 开发和验证一个优化的深度学习模型,以准确和可解释地检测糖尿病足 (DFU).
- 通过将卷积神经网络 (CNN) 结构与遗传算法 (GA) 集合集成,提高DFU检测模型的性能.
- 通过使用像Grad-CAM这样的可视化技术来提高DFU检测模型的透明度.
主要方法:
- 开发了一个定制的卷积神经网络 (CNN) 架构,使用七个不同的优化器进行训练.
- 利用基因算法 (GA) 来从表现最好的个人CNN模型中创建一个整体模型.
- 实施了Grad-CAM (梯度加权类激活映射) 以实现模型可解释性和决策透明度.
主要成果:
- 基于GA的组合模型实现了高性能指标:97%的准确性,95%的精度,99%的回忆率和97%的F1得分.
- 整体模型在DFU检测准确性和稳定性方面表现优于单个单个模型.
- Grad-CAM成功地可视化了与相关的特征,为模型的决策过程提供了洞察力.
结论:
- 拟议的优化深度学习模型,结合CNN和GA合奏,显著提高了DFU检测准确性和可解释性.
- Grad-CAM提高了模型透明度,为医疗保健专业人员在临床决策中提供了有价值的见解.
- 这种方法代表了利用人工智能来管理糖尿病脚部并发症的有希望的进步.
