基于Grad-CAM可解释深度CNN的慢性肾病早期预测临床框架
计算机视觉与模式识别
2025-12-11 v1 人工智能
摘要
慢性肾病（CKD）是重大的全球医疗负担，其特征是肾功能逐渐恶化，导致代谢废物清除受损和全身液体稳态紊乱。由于其对全球发病率和死亡率的重大贡献，开发可靠高效的诊断方法对促进早期检测和及时临床管理至关重要。本研究提出了一种深度卷积神经网络（CNN），用于从CT肾脏图像中早期检测CKD，并结合合成少数类过采样技术（SMOTE）进行类别平衡，以及通过梯度加权类激活映射（Grad-CAM）实现可解释性。该模型在CT肾脏数据集上进行了训练和评估，该数据集包含12,446张CT图像，包括3,709张囊肿、5,077张正常、1,377张结石和2,283张肿瘤病例。所提出的深度CNN取得了显著的分类性能，在慢性肾病（CKD）早期检测中达到了100%的准确率。这一重大进展展示了在应对关键临床诊断挑战和增强早期医疗干预策略方面的巨大潜力。
引用
@article{arxiv.2512.09244,
title = {A Clinically Interpretable Deep CNN Framework for Early Chronic Kidney Disease Prediction Using Grad-CAM-Based Explainable AI},
author = {Anas Bin Ayub and Nilima Sultana Niha and Md. Zahurul Haque},
journal= {arXiv preprint arXiv:2512.09244},
year = {2025}
}