基于LIME解释性的深度CNN集成网络白血细胞分类
计算机视觉与模式识别
2026-03-05 v2 人工智能
细胞行为
机器学习
摘要
白血细胞（WBC）是我们免疫系统的重要组成部分，通过消除病毒、细菌、寄生虫和真菌来保护我们的身体免受感染。WBC类型的数量和总WBC数量提供了关于我们健康状态的重要信息。传统方法是卷积神经网络（CNN），这是一种深度学习架构，可以从物体的一部分进行血细胞分类并执行目标识别。各种CNN模型都具有潜在的优势；然而，它们的开发通常涉及不成文的过程，忽略不必要的层，导致不平衡数据集和数据增强不足的问题。为解决这些挑战，我们提出了一种新颖的集成方法，将整合三个CNN架构，每个架构都 uniquely 配置了不同的dropout和最大池化层设置以增强特征学习。这个集成模型被称为DCENWCNet，在广为人知的Rabbin-WBC数据集上进行评估时，超过了现有的领先网络，实现了最高的平均准确率。此外，它在所有类别的精确率、召回率、F1分数和受试者工作曲线下面积（AUC）方面表现出色。为深入了解分类器的可解释性，我们采用可靠的事后解释技术，包括局部可解释模型无关解释（LIME）。这些方法通过阐明特征值与预测值之间的关系来逼近黑盒模型的行为。可解释的结果使用户能够理解和验证模型的预测，从而增加他们对自动诊断的信心。
引用
@article{arxiv.2502.05459,
title = {DCENWCNet: A Deep CNN Ensemble Network for White Blood Cell Classification with LIME-Based Explainability},
author = {Sibasish Dhibar},
journal= {arXiv preprint arXiv:2502.05459},
year = {2026}
}