可泛化与可解释的深度学习在医学图像计算中的应用：综述
计算机视觉与模式识别
2025-03-12 v1 机器学习
摘要
目标。本论文综述了深度学习（DL）中可泛化与可解释人工智能（XAI）在医学成像中的应用，旨在解决临床应用中透明性与可解释性的迫切需求。方法。我们提出在三个医学数据集（脑肿瘤、皮肤癌和胸部X光）中使用四种CNN进行医学图像分类任务。此外，我们采用配对t检验来展示不同方法之间观察到的差异的显著性。进一步地，我们提出将ResNet50与五种常见XAI技术相结合，以获得模型预测的可解释结果，旨在提升模型透明度。我们还引入了一个定量指标（置信度增量）来评估XAI技术的有效性。结果。实验结果表明，ResNet50在所有数据集上均可取得可行的准确率和F1分数（例如皮肤癌中准确率为86.31%）。此外，研究发现某些XAI方法（如XgradCAM）能有效突出医学图像中的相关异常区域，而其他方法（如EigenGradCAM）在特定场景下可能效果较差。进一步地，XgradCAM显示出更高的置信度增量（例如胶质瘤肿瘤中为0.12），优于GradCAM++（0.09）和LayerCAM（0.08）。展望。基于实验结果和最新进展，我们概述了未来研究方向，以提升DL模型在生物医学成像领域的鲁棒性与泛化能力。
引用
@article{arxiv.2503.08420,
title = {Generalizable and Explainable Deep Learning for Medical Image Computing: An Overview},
author = {Ahmad Chaddad and Yan Hu and Yihang Wu and Binbin Wen and Reem Kateb},
journal= {arXiv preprint arXiv:2503.08420},
year = {2025}
}
备注
Published in Current Opinion in Biomedical Engineering