RetinaVision：基于可解释人工智能的增强调控用于深度学习框架下的精确视网膜疾病分类
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
视网膜疾病的早期准确分类对于对抗视力丧失和指导视网膜疾病的临床管理至关重要。在本研究中，我们提出了一种利用光学相干断层扫描（OCT）图像的深度学习方法进行视网膜疾病分类，所用数据集为Retinal OCT Image Classification - C8（包含24000张标记图像，涵盖八种病症）。图像被调整为224x224像素，并在卷积神经网络（CNN）架构Xception和InceptionV3上进行了测试。采用了数据增强技术（CutMix, MixUp）以增强模型泛化能力。此外，我们应用了GradCAM和LIME进行可解释性评估。我们通过名为RetinaVision的网络应用程序在真实场景中实现了该方法。本研究发现Xception是最准确的网络（95.25%），紧随其后的是InceptionV3（94.82%）。这些结果表明深度学习方法能够有效进行OCT视网膜疾病分类，并强调了在临床应用中对准确性和可解释性的重视。
引用
@article{arxiv.2602.19324,
title = {RetinaVision: XAI-Driven Augmented Regulation for Precise Retinal Disease Classification using deep learning framework},
author = {Mohammad Tahmid Noor and Shayan Abrar and Jannatul Adan Mahi and Md Parvez Mia and Asaduzzaman Hridoy and Samanta Ghosh},
journal= {arXiv preprint arXiv:2602.19324},
year = {2026}
}
备注
6 pages, 15 figures