DCSNet：基于轻量级知识蒸馏的肺癌组织病理图像诊断模型及可解释 AI
图像与视频处理
2025-05-15 v1 计算机视觉与模式识别
摘要
肺癌是全球癌症相关死亡的主要原因，早期检测和准确诊断对于提高生存率至关重要。虽然深度学习，特别是卷积神经网络(CNNs)，通过检测指示早期肺癌的细微模式彻底改变了医学图像分析，但其应用面临挑战。这些模型通常计算成本高昂且需要大量资源，使其不适用于资源受限的环境。此外，其缺乏透明度阻碍了在医疗保健等敏感领域的信任和更广泛采用。知识蒸馏通过将知识从大型复杂模型(教师)转移到更小、轻量级的模型(学生)来解决这些挑战。我们提出了一种基于知识蒸馏的肺癌检测方法，并结合可解释 AI(XAI)技术以增强模型透明度。八个 CNNs，包括 ResNet50、EfficientNetB0、EfficientNetB3 和 VGG16，被评估作为教师模型。我们开发并训练了一个轻量级学生模型——蒸馏定制学生网络(DCSNet)，使用 ResNet50 作为教师。该方法不仅在资源受限的环境中确保了高诊断性能，还解决了透明度问题，促进了 AI 驱动的诊断工具在医疗保健中的应用。
引用
@article{arxiv.2505.09334,
title = {DCSNet: A Lightweight Knowledge Distillation-Based Model with Explainable AI for Lung Cancer Diagnosis from Histopathological Images},
author = {Sadman Sakib Alif and Nasim Anzum Promise and Fiaz Al Abid and Aniqua Nusrat Zereen},
journal= {arXiv preprint arXiv:2505.09334},
year = {2025}
}