基于可解释深度学习模型的胃肠道内镜图像多类分类提升
计算机视觉与模式识别
2025-03-04 v1 人工智能
摘要
内镜作为评估胃肠道（GI） tract的essential程序，在识别GI相关疾病方面发挥关键作用。近期深度学习技术的进展表现出在通过复杂模型和数据增强方法检测异常方面取得显著进展。本研究提出一种新方法，通过利用来自Kvasir数据集的8000张标记内镜图像（分为八个 distinct 类）来提高分类准确率。以EfficientNetB3为骨干网络，该架构消除了数据增强的依赖，同时保持适中模型复杂度。该模型在测试集上实现了94.25%的准确率，精确率和召回率分别为94.29%和94.24%。此外，采用Local Interpretable Model-agnostic Explanation（LIME）显著图谱来增强可解释性，通过定义影响模型预测的关键图像区域。总体而言，本工作凸显了人工智能在推动医学影像方面发挥的重要作用，通过结合高分类准确率与可解释性实现。
关键词
引用
@article{arxiv.2503.00780,
title = {Enhanced Multi-Class Classification of Gastrointestinal Endoscopic Images with Interpretable Deep Learning Model},
author = {Astitva Kamble and Vani Bandodkar and Saakshi Dharmadhikary and Veena Anand and Pradyut Kumar Sanki and Mei X. Wu and Biswabandhu Jana},
journal= {arXiv preprint arXiv:2503.00780},
year = {2025}
}