桥接准确率与可解释性：基于XAI的乳腺癌检测深度学习方法
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
本研究提出了一种用于乳腺癌早期检测的可解释深度学习框架，利用从乳腺质块的微针细胞aspirate (FNA) 图像中提取的定量特征。我们的深度神经网络采用ReLU激活函数、Adam优化器和二元交叉熵损失，实现了最先进的分类性能，准确率为0.992，精确率为1.000，召回率为0.977，F1分数为0.988。这些结果显著超越了文献中报告的基准。我们在相同的评估协议下，对模型进行评估，与一系列经典算法（逻辑回归、决策树、随机森林、随机梯度下降、K近邻和XGBoost）进行对比，发现深度模型在相同指标上始终表现优异。鉴于高预测准确率本身对于临床应用而言不足，因为深度学习模型的黑箱本质， 我们引入了基于模型无关的可解释人工智能技术，如SHAP和LIME，以生成特征级别的归因和人类可读的可视化结果。这些解释量化了每个特征对单个预测的贡献，支持错误分析，并增加了临床医生的信任，从而在实际临床应用中弥合了性能与可解释性之间的鸿沟。我们发现，细胞核的凹点特征是对分类任务正面影响最大的特征。这一洞察对于通过突出乳腺肿瘤的关键特征来改进乳腺癌的诊断和治疗具有极大帮助。
引用
@article{arxiv.2510.21780,
title = {Bridging Accuracy and Interpretability: Deep Learning with XAI for Breast Cancer Detection},
author = {Bishal Chhetri and B. V. Rathish Kumar},
journal= {arXiv preprint arXiv:2510.21780},
year = {2025}
}
备注
15 pages, 14 figures