揭开黑盒子:可解释的转移学习用于眼部疾病诊断
Zaib Un Nisa1, Arfan Jaffar1, Sohail Masood Bhatti1
1Department of Computer Science and Information Technology, The Superior University, Lahore, Pakistan.
Digital health
|February 16, 2026
概括
转移学习模型在诊断糖尿病视网膜病变等眼睛疾病方面表现有前途. 然而,可解释的人工智能对于可靠的模型选择至关重要,特别是对于像玻璃眼这样的疾病.
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:
- 多种类型的眼病诊断对于患者的治疗结果至关重要.
- 转移学习 (TL) 和深度学习为自动诊断提供了潜力.
- 评估模型可靠性和可解释性对于临床采用至关重要.
研究的目的:
- 系统地评估用于多类眼病诊断的转移学习模型.
- 使用可解释的人工智能 (AI) 评估这些模型的可靠性.
主要方法:
- 在公开数据集上评估了8个预训练的卷积神经网络 (CNN) 模型.
- 性能指标包括准确性,精度,回忆和F1分数.
- 使用了可解释性技术 (Grad-CAM,LIME,SHAP).
主要成果:
- 模型实现了糖尿病视网膜病变和白内障检测的高精度 (DenseNet121,XceptionNet).
- 青光眼的诊断结果较弱,这表明需要基于细分的方法.
- 可解释性揭示了模型注意力的显著差异,尽管准确性相似.
结论:
- 对于值得信赖的医疗人工智能来说,单纯的准确性是不够的.
- 可解释的AI对于选择可靠的诊断模型至关重要.
- EfficientNetB3展示了性能和可解释性的良好平衡; 青光眼诊断需要先进的管道.


