MelanomaNet：用于皮肤病变分类的可解释深度学习

使用深度学习进行自动皮肤病变分类已展现出显著的准确性，但由于这些模型的“黑箱”特性，临床应用仍然有限。我们提出了 MelanomaNet，一个用于多类皮肤病变分类的可解释深度学习系统，通过四种互补的可解释性机制填补了这一空白。我们的方法结合了 EfficientNet V2 主干网络、GradCAM++ 注意力可视化、自动化 ABCDE 临床标准提取、快速概念激活向量（FastCAV）用于基于概念的解释，以及蒙特卡洛 Dropout 不确定性量化。我们在包含 25,331 张皮肤镜图像、涵盖 9 个诊断类别的 ISIC 2019 数据集上评估了我们的系统。我们的模型实现了 85.61% 的准确率和 0.8564 的加权 F1 分数，同时提供了与已建立的皮肤科评估标准一致的对模型注意力的临床意义解释。不确定性量化模块将预测置信度分解为认知不确定度和偶然不确定度分量，实现对不可靠预测的自动标记以供临床审查。我们的结果表明，可以在实现高分类性能的同时实现全面的可解释性，从而可能促进临床皮肤病学工作流程中更大的信任和采用。源代码可在 https://github.com/suxrobgm/explainable-melanoma 获取。