基于可解释 AI 与 LIME 迁移学习的青光眼检测
计算机视觉与模式识别
2022-10-10 v1 人工智能
摘要
青光眼是所有视觉缺陷中导致部分或完全失明的第二大原因，主要由于焦虑或抑郁引起的眼内压过高损伤视神经并造成视力并发症。传统青光眼筛查耗时且需要医务人员持续关注，即便如此，由于时间限制与压力，他们仍时常无法正确分类，导致错误治疗。已有诸多努力试图自动化整个青光眼分类流程，然而这些现有模型通常具有黑箱特性，阻碍用户理解预测背后的关键原因，因而医务从业者一般无法依赖这些系统。本文在对比多种预训练模型后，提出一种能以 94.71\% 准确率分类青光眼的迁移学习模型。此外，我们利用了局部可解释模型无关解释（LIME）为系统引入可解释性。这一改进使医务人员能获得重要且全面的信息以辅助判断，也降低了传统深度学习模型的不透明性与脆弱性。
引用
@article{arxiv.2210.03332,
title = {Explainable AI based Glaucoma Detection using Transfer Learning and LIME},
author = {Touhidul Islam Chayan and Anita Islam and Eftykhar Rahman and Md. Tanzim Reza and Tasnim Sakib Apon and MD. Golam Rabiul Alam},
journal= {arXiv preprint arXiv:2210.03332},
year = {2022}
}