精简化：面向轻量化疟疾分类的可解释 AI 框架
计算机视觉与模式识别
2025-11-25 v1
摘要
背景与目标：深度学习模型计算需求高且缺乏可解释性，但往往是医学图像分类任务的首选选择。本研究探讨了复杂神经网络是否必需于简单二分类疟疾任务。我们引入提取形态特征工程（EMFE）管道，一种透明、可复现且计算需求低的机器学习方法，专为简单细胞形态设计，旨在实现接近深度学习水平的性能，目标为仅使用普通 CPU 实现实际部署。方法：本研究使用 NIH 疟疾细胞图像数据集，从每个细胞图像中提取两个特征：非背景像素数和细胞内空洞数。比较 Logistic 回归和随机森林与 ResNet18、DenseNet121、MobileNetV2 和 EfficientNet 在准确率、模型规模和 CPU 推理时间方面的表现。构建由 Logistic 回归和随机森林组合而成的集成模型，以实现更高准确率的同时保持效率。结果：单变量 Logistic 回归模型实现了 94.80% 的测试准确率，文件大小仅 1.2 kB，推理延迟可忽略不计（2.3 ms）。两阶段集成将准确率提升至 97.15%。相比之下，深度学习方法需 13.6-44.7 MB 存储，推理时间显著更长（68 ms）。结论：本研究表明，紧凑的特征工程方法可实现临床意义的分类性能，同时在透明性、可复现性、速度和部署可行性方面取得提升。该管道表明，简单可解释特征配合轻量化模型可作为资源受限环境的实用诊断解决方案。
引用
@article{arxiv.2511.18083,
title = {Less Is More: An Explainable AI Framework for Lightweight Malaria Classification},
author = {Md Abdullah Al Kafi and Raka Moni and Sumit Kumar Banshal},
journal= {arXiv preprint arXiv:2511.18083},
year = {2025}
}