皮肤皮捣分类器中解释方法的有效性分析
计算机视觉与模式识别
2026-04-21 v1
摘要
深度学习在计算机视觉任务中展现了卓越的性能，医疗保健领域亦不例外。然而，尚无明确的方法来揭示深度学习模型的决策过程。仅凭良好的准确率已不足以支撑皮肤癌预测。理解模型行为对于临床应用和可靠结果至关重要。本文我们确定了皮肤皮捣模型解释的需求。我们分析了七种方法，其中四种基于像素属性（Grad-CAM、Score-CAM、LIME、SHAP），三种基于高层概念（ACE、ICE、CME），用于在国际皮肤成像合作档案馆（International Skin Imaging Collaboration Archive）上训练的深度神经网络。我们的发现表明，尽管这些技术揭示了偏差，但仍有提升解释完整性以实现皮肤皮捣模型透明度的空间。
引用
@article{arxiv.2412.03166,
title = {Are Explanations Helpful? A Comparative Analysis of Explainability Methods in Skin Lesion Classifiers},
author = {Rosa Y. G. Paccotacya-Yanque and Alceu Bissoto and Sandra Avila},
journal= {arXiv preprint arXiv:2412.03166},
year = {2026}
}
备注
6 pages. Paper accepted at 20th International Symposium on Medical Information Processing and Analysis (SIPAIM)