使用迁移学习方法诊断和预测白血病的可解释人工智能
计算机视觉与模式识别
2023-12-04 v1
摘要
本研究论文聚焦于急性淋巴细胞白血病（ALL），这是一种在儿童和青少年中常见的血癌，其特征是未成熟白细胞（WBC）的快速增殖。这些非典型细胞可能压倒健康细胞，导致严重的健康后果。早期准确检测ALL对于有效治疗和提高生存率至关重要。传统诊断方法耗时、昂贵且易出错。本文提出了一种使用计算机辅助诊断（CAD）模型的自动化检测方法，利用深度学习技术提高白血病诊断的准确性和效率。研究使用了多种迁移学习模型，如ResNet101V2、VGG19、InceptionV3和InceptionResNetV2，用于ALL分类。方法包括使用局部可解释模型无关解释（LIME）来确保AI系统预测的有效性和可靠性。这种方法对于克服AI的“黑箱”性质至关重要，因为模型做出的决策往往不透明且不可解释。本文强调，使用InceptionV3模型提出的方法达到了98.38%的惊人准确率，优于其他测试模型。经LIME算法验证的结果展示了该方法在准确识别ALL方面的潜力，为医疗从业者提供了有价值的工具。研究强调了可解释人工智能（XAI）在医学诊断中的影响，为医疗保健中更透明、更可信的AI应用铺平了道路。
引用
@article{arxiv.2312.00487,
title = {Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method},
author = {Wahidul Hasan Abir and Md. Fahim Uddin and Faria Rahman Khanam and Mohammad Monirujjaman Khan},
journal= {arXiv preprint arXiv:2312.00487},
year = {2023}
}