面向可靠且可解释的指甲疾病分类：利用对抗训练和Grad-CAM可视化
计算机视觉与模式识别
2026-02-05 v1 人工智能
机器学习
摘要
指甲疾病正在逐渐在所有年龄段中被观察到，尤其是老年人中，往往在疾病发展到严重阶段后才被注意。早期检测和准确诊断此类疾病很重要，因为它们有时会揭示我们的身体健康问题。但由于疾病类型之间的推断视觉差异，早期诊断具有挑战性。本文提出了一种基于机器学习的模型，用于自动分类指甲疾病，该模型基于公开可用的数据集构建，数据集包含3,835张图片，涵盖六个类别。所有图像被调整为224x224像素，以确保一致性。为评估性能，我们训练并分析了四个著名的CNN模型——InceptionV3、DenseNet201、EfficientNetV2和ResNet50。在这些模型中，InceptionV3以95.57%的准确率领先，DenseNet201紧随其后，准确率为94.79%。为使模型更强大、在处理棘手或噪声图像时不易出错，我们使用了对抗训练。为帮助理解模型如何做出决策，我们使用了SHAP来突出显示预测中重要特征。该系统可能是医生有益的支持工具，使指甲疾病诊断更准确更快捷。
引用
@article{arxiv.2602.04820,
title = {Toward Reliable and Explainable Nail Disease Classification: Leveraging Adversarial Training and Grad-CAM Visualization},
author = {Farzia Hossain and Samanta Ghosh and Shahida Begum and B. M. Shahria Alam and Mohammad Tahmid Noor and Md Parvez Mia and Nishat Tasnim Niloy},
journal= {arXiv preprint arXiv:2602.04820},
year = {2026}
}
备注
6 pages, 12 figures. This is the author's accepted manuscript of a paper accepted for publication in the Proceedings of the 16th International IEEE Conference on Computing, Communication and Networking Technologies (ICCCNT 2025). The final published version will be available via IEEE Xplore