面向卷积神经网络的皮肤疾病诊断可解释性基准
摘要
近年来，在深度学习（DL）成功的部分推动下，开发用于皮肤病学应用的机器学习方法取得了巨大进展。迄今为止，从图像中诊断疾病是皮肤病学中探索最多的DL应用之一。卷积神经网络（ConvNets）因其训练效率与准确性而成为医学影像中最常用的（DL）方法，尽管由于其有限的可解释性，它们常被称为黑箱。获得ConvNet决策机制洞察的一种流行方法是梯度类激活映射（Grad-CAM）。最近DermXDB的发布使得Grad-CAM可解释性的定量评估成为可能，DermXDB是一个支持ConvNet架构可解释性基准测试的皮肤疾病诊断可解释性数据集。在本文中，我们进行文献综述以识别用于该任务的最常见ConvNet架构，并将它们的Grad-CAM解释与DermXDB提供的解释图进行比较。我们识别出11种架构：DenseNet121、EfficientNet-B0、InceptionV3、InceptionResNetV2、MobileNet、MobileNetV2、NASNetMobile、ResNet50、ResNet50V2、VGG16和Xception。我们在临床皮肤疾病数据集上对所有架构进行预训练，并在DermXDB子集上微调。在DermXDB留出子集上的验证结果显示可解释性F1分数介于0.35-0.46之间，其中Xception表现出最高的可解释性性能。NASNetMobile报告了最高的特征级可解释性敏感度，尽管其诊断性能平庸。这些结果凸显了为期望应用与目标市场选择正确架构的重要性，强调了需要额外的可解释性数据集，并进一步确认了依赖定量分析的需可解释性基准测试。
引用
@article{arxiv.2302.12084,
title = {Dermatological Diagnosis Explainability Benchmark for Convolutional Neural Networks},
author = {Raluca Jalaboi and Ole Winther and Alfiia Galimzianova},
journal= {arXiv preprint arXiv:2302.12084},
year = {2023}
}
备注
Submitted to the Computerized Medical Imaging and Graphics Journal