DeepGI：面向胃肠图像分类的可解释深度学习
计算机视觉与模式识别
2025-12-01 v1 人工智能
计算机与社会
机器学习
摘要
本文提出了一套综合性的比较模型分析框架，针对一个新型胃肠医学影像数据集进行研究。该数据集包含4000张内窥镜图像，覆盖四个关键疾病类别：Diverticulosis（息肉）、Neoplasm（肿瘤）、Peritonitis（腹膜炎）和Ureters（尿道）。本研究运用最先进的深度学习技术，面对内窥镜常见挑战，如光照变化、摄像机角度波动及频繁的影像伪影。最佳模型——VGG16和MobileNetV2——分别实现了96.5%的测试准确率，而Xception达到94.24%，树立了自动化疾病分类的稳健基准与基线。除却强大的分类性能，该方法还包括基于Grad-CAM的可解释AI，使我们能够识别影响模型预测的最具影响力的图像区域，从而增强临床可解释性。实验结果表明，即便在复杂真实条件下，本方法仍能实现稳健、准确且可解释的医学图像分析。本工作贡献了原始基准、比较性见解以及可视化解释，推动了胃肠计算机辅助诊断的发展，凸显了多样化临床相关数据集和模型可解释性在医学AI研究中的重要性。
引用
@article{arxiv.2511.21959,
title = {DeepGI: Explainable Deep Learning for Gastrointestinal Image Classification},
author = {Walid Houmaidi and Mohamed Hadadi and Youssef Sabiri and Yousra Chtouki},
journal= {arXiv preprint arXiv:2511.21959},
year = {2025}
}
备注
7 pages, 4 figures, 2 tables. Accepted at DASET 2026