基于 XAI 的皮肤病灶分类：利用 GAN 增强 ResNet-50 性能
计算机视觉与模式识别
2025-12-05 v2 人工智能
摘要
准确且及时诊断多类别皮肤病变受限于主观方法、数据集如 HAM10000 中固有的类别不平衡问题，以及深度学习（DL）模型的“黑箱”本质。本研究提出一种可信且高度准确的计算机辅助诊断（CAD）系统，以克服上述局限性。该方法利用深度卷积生成对抗网络（DCGAN）进行类别级数据增强，以解决关键的类别不平衡问题。随后，在增强后的数据集上训练调优的 ResNet-50 分类器，以对七种皮肤病类别进行分类。关键在于，集成 LIME 和 SHAP 可解释人工智能（XAI）技术，通过确认预测基于临床相关特征（如不规则形态）来提供透明度。该系统实现了高达 92.50% 的总体准确率和 98.82% 的宏平均 AUC，成功超越了各种先前基准架构。本工作成功验证了一个结合高性能与临床可解释性于安全诊断部署的可验证框架。未来研究应优先提升对关键类别（如 Melanoma NOS，F1-分数为 0.8602）的辨识能力。
引用
@article{arxiv.2512.00626,
title = {XAI-Driven Skin Disease Classification: Leveraging GANs to Augment ResNet-50 Performance},
author = {Kim Gerard A. Villanueva and Priyanka Kumar},
journal= {arXiv preprint arXiv:2512.00626},
year = {2025}
}