皮肤癌诊断的混合可解释深度学习框架：集成径向基函数网络与可解释人工智能
计算机视觉与模式识别
2025-01-28 v1
摘要
皮肤癌是全球最常见且潜在致命的疾病， necessitates early and accurate diagnosis to improve patient outcomes. 传统诊断方法依赖临床专家知识和组织病理分析，往往耗时、主观且易受主观性影响。为此，我们提出一种新型混合深度学习框架，将卷积神经网络（CNN）与径向基函数网络（RBF Network）集成，以实现高分类准确率和增强可解释性。纳入 RBF 网络的动机在于其内在的可解释性和对输入特征的局部响应，使其适用于需要透明性和细粒度决策的任务。与依赖全局特征表示的传统深度学习模型不同，RBF 网络允许将图像的不同片段映射到所选原型，利用单张图像中的显著特征。这使得临床医生能够追踪预测依据。该框架包含基于分割的特征提取、原型选择的主动学习以及 K-Medoids 聚类，以聚焦于这些显著特征。在 ISIC 2016 和 ISIC 2017 数据集上的评估表明，该模型有效，分别使用 ResNet50 实现分类准确率为 83.02% 和 72.15%，并超越基于 VGG16 的配置。通过为预测生成可解释解释，该框架与临床工作流程一致，弥合了预测性能与可信度之间的鸿沟。本研究突显了混合模型交付可操作见解的潜力，推动了面向高风险医疗应用的可靠 AI 辅助诊断工具的发展。
引用
@article{arxiv.2501.14885,
title = {Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI},
author = {Mirza Ahsan Ullah and Tehseen Zia},
journal= {arXiv preprint arXiv:2501.14885},
year = {2025}
}
备注
The paper has not been published by any journal/conference. It contains 14 pages, with six figures and five tables to demonstrate results