可解释的AI用于使用梯度加权类激活映射进行皮肤疾病分类,并在数字健康中转移学习以识别轮

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 医疗数据隐私问题限制了训练计算机视觉模型的数据可用性.
• 皮肤疾病的诊断通常需要专门的专业知识,并且可以从自动化系统中受益.
• 资源有限和数据稀缺对开发强大的诊断AI构成挑战.

研究的目的:

• 评估使用低资源计算机视觉技术用于皮肤疾病诊断的可行性.
• 评估数据预处理和增强对模型性能的影响.
• 为了比较五种转移学习模型在诊断各种皮肤疾病方面的有效性.

主要方法:

• 使用了五种转移学习模型:VGG19,VGG16,谷歌网,XceptionNet和Inception.
• 创建了不平衡 (4092个样本) 和平衡 (5182个样本) 的数据集.
• 应用数据增强,图像调整大小,消除噪音和模糊技术进行预处理.
• 对预处理数据的评估模型性能,包括增强平衡数据.

主要成果:

• VGG-19在不平衡的数据集上实现了95.00%的准确性.
• VGG-16-Aug在平衡,增强数据集上达到97.07%的准确性,优于其他模型.
• 预处理和增强增强了图像质量,从而提高了准确性.

结论:

• 低资源方法与预处理相结合,有效诊断皮肤疾病.
• 具有平衡,增强数据集的VGG-16-Aug模型显示了皮肤疾病诊断的重大潜力.
• 可解释人工智能 (Grad-CAM) 有助于解释模型结果和解决数据稀缺问题.