基于 CNN 的血细胞图像隐形眼镜疟疾诊断及其 SHAP 与 LIME 可解释性
计算机视觉与模式识别
2025-12-30 v1 计算与语言
摘要
隐形眼镜疟疾仍是热带和亚热带地区的常见健康 concern。隐形眼镜疟疾的病原是 Plasmodium 原虫，通过受感染的雌性庇蚊叮咬传播。传统诊断方法，如血细胞薄片显微镜分析，灵敏度低，依赖专家判断，且需要可能在偏远地区不可获得的资源。为克服这些限制，本研究提出一种基于深度学习的方法，利用定制卷积神经网络（CNN）自动对血细胞图像进行分类，以判断其为感染或未感染。该模型在准确率达到 96%，对两类样本的 precision 和 recall 均超过 0.95。本研究还将定制 CNN 与 established 深度学习架构进行比较，包括 ResNet50、VGG16、MobileNetV2 和 DenseNet121。为增强模型可解释性，应用了 SHAP、LIME 和 Saliency Maps 等可解释 AI 技术。该提议系统展示了深度学习如何为在资源有限的地区提供快速、准确且可理解的隐形眼镜疟疾诊断。
引用
@article{arxiv.2512.22205,
title = {A CNN-Based Malaria Diagnosis from Blood Cell Images with SHAP and LIME Explainability},
author = {Md. Ismiel Hossen Abir and Awolad Hossain},
journal= {arXiv preprint arXiv:2512.22205},
year = {2025}
}