基于可解释与代价敏感深度神经网络及监督对比学习的胃肠道疾病分类
计算机视觉与模式识别
2023-07-18 v1
摘要
胃肠道疾病带来重大医疗挑战，因其表现多样并可能导致潜在并发症。确保对这些疾病的精确及时分类对于指导治疗选择与改善患者预后至关重要。本文引入一种利用代价敏感的预训练深度卷积神经网络（CNN）架构结合监督对比学习对胃肠道疾病进行分类的新方法。我们的方法使网络能够学习捕捉关键疾病相关特征的表示，同时考虑样本间的相似性关系。为应对不平衡数据集及医疗中误分类错误的代价敏感特性带来的挑战，我们引入代价敏感学习。通过基于疾病类别为误分类分配不同代价，我们优先准确分类危重状况。此外，我们通过集成来自可解释人工智能（AI）的基于梯度的技术增强模型的可解释性。该集成提供了对网络决策过程的宝贵洞察，有助于理解促成疾病分类的特征。为评估所提方法的有效性，我们在全面的胃肠道疾病数据集（如 Hyper-Kvasir 数据集）上进行广泛实验。通过与现有工作的详尽比较，我们证明了模型的强分类准确性、鲁棒性与可解释性。我们已在 https://github.com/dibya404/Gastrointestinal-Disease-Classification-through-Explainable-and-Cost-Sensitive-DNN-with-SCL 公开了所提方法的实现。
引用
@article{arxiv.2307.07603,
title = {Gastrointestinal Disease Classification through Explainable and Cost-Sensitive Deep Neural Networks with Supervised Contrastive Learning},
author = {Dibya Nath and G. M. Shahariar},
journal= {arXiv preprint arXiv:2307.07603},
year = {2023}
}
备注
Accepted in International Conference on Big Data, IoT and Machine Learning 2023 (BIM 2023)