医学影像中的可解释深度学习：脑肿瘤与肺炎检测
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
深度学习在改善医学影像诊断方面具有巨大潜力，但大多数模型缺乏可解释性，阻碍了临床信任和采用。本文提出了一个可解释的深度学习框架，用于检测MRI扫描中的脑肿瘤和胸部X光图像中的肺炎，使用了两种领先的卷积神经网络：ResNet50和DenseNet121。这些模型在公开的Kaggle数据集上进行了训练，该数据集包含7,023张脑部MRI图像和5,863张胸部X光图像，取得了较高的分类性能。DenseNet121在脑肿瘤检测中始终优于ResNet50，准确率分别为94.3%和92.5%；在肺炎检测中，准确率分别为89.1%和84.4%。为了提高可解释性，集成了梯度加权类激活映射（Grad-CAM），在测试图像上生成叠加的热力图可视化，指示决策过程中最具影响力的图像区域。有趣的是，虽然两个模型都产生了准确的结果，但Grad-CAM显示DenseNet121始终聚焦于核心病理区域，而ResNet50有时会将注意力分散到外围或非病理区域。结合深度学习和可解释人工智能为开发可靠、可解释且临床有用的诊断工具提供了一条有前景的途径。
引用
@article{arxiv.2510.21823,
title = {Explainable Deep Learning in Medical Imaging: Brain Tumor and Pneumonia Detection},
author = {Sai Teja Erukude and Viswa Chaitanya Marella and Suhasnadh Reddy Veluru},
journal= {arXiv preprint arXiv:2510.21823},
year = {2025}
}
备注
Published in IEEE