本文提出了一种基于可解释卷积神经网络（CNN）的皮肤病变分类框架，该框架结合了高诊断准确率与模型可解释性。该方法可对病变图像进行分类，并为其预测结果生成可视化解释。实验结果表明，该框架具有优异的性能和更高的透明度，有助于临床决策，并协助皮肤科医生实现皮肤疾病的早期检测。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文提出了一种基于可解释卷积神经网络（CNN）的皮肤病变分类框架，该框架结合了高诊断准确率与模型可解释性。该方法可对病变图像进行分类，并为其预测结果生成可视化解释。实验结果表明，该框架具有优异的性能和更高的透明度，有助于临床决策，并协助皮肤科医生实现皮肤疾病的早期检测。
在多项研究中，利用深度卷积神经网络对皮肤区域疾病进行诊断已被证明可达到与皮肤科医生相当的准确度水平。然而，目前仍存在诸多挑战，包括在某些情况下性能欠佳、泛化能力差，以及由于使用“黑箱”模型而导致的可解释性较低等问题。这些问题为实际应用带来了重大障碍，因为在实现准确诊断的同时，还必须具备可解释性，因此亟需找到有效的解决方案。为克服上述困难，本研究开发了一种用于皮肤病变分类的可解释深度学习框架（EDLF-SLC）。该框架结合多种机器学习与可解释人工智能（XAI）方法，以三阶段方式提升模型的准确性与可解释性。在第一阶段，融合从多个预训练CNN架构中提取的深度表征，以保留不同网络架构所学习到的互补性判别信息，随后采用径向基函数核的支持向量机（SVM）进行分类。第二阶段使用具有径向基函数核的支持向量机（SVM）对所获得的特征进行分类。最后，在第三阶段，通过局部可解释的模型无关解释方法（LIME）对模型的预测结果进行解释。实验结果表明，EDLF-SLC在准确率上达到88.0%，精确率为89.0%，召回率为87.0%，F1分数为88.0%，在本研究考虑的实验条件下，其性能优于多种近期报道的方法，展现出较强的竞争力。
皮肤病变是皮肤病学和肿瘤学中的主要问题，因其范围从良性异常到恶性肿瘤（如黑色素瘤）不等，而黑色素瘤是最致命的皮肤癌类型。2020年，全球黑色素瘤新发病例约达32.5万例，死亡人数超过5.7万例1。尽管筛查和治疗技术的进步已改善了患者的预后，但诊断延迟以及医疗资源获取受限仍导致较高的死亡率和寿命损失年数，尤其是在年轻人群中尤为显著2,3。
传统诊断主要依赖肉眼观察和皮肤镜检查，导致诊断过程依赖于临床医生的经验，容易产生主观性、观察者间差异、不必要的活检以及延长的检查时间4,5,6。为克服这些局限性，深度学习特别是卷积神经网络（CNN）已成为实现皮肤病变自动分类的有效解决方案。基于CNN的模型，包括DDCNN-F7、YOLOv7-XAI8以及多种其他架构9,10,1....
访问受限。请登录或开始试用以查看此内容。
本研究未涉及人类受试者的招募或可识别患者数据的收集。所有实验均使用从Kaggle资源库获取的公开可用的ISIC 2020皮肤病变数据集进行，因此无需机构伦理委员会批准和知情同意。本研究使用的所有材料均列于材料表中。
特征提取与融合
皮肤病变图像通过多个预训练的卷积神经网络（CNN）模型进行处理。从选定的预训练CNN架构中提取的深度特征向量被拼接，以构建每张皮肤病变图像的统一特征表示。所采用的融合策略保留了不同CNN架构学习到的互补视觉信息，使后续的支持向量机（SVM）分类器能够同时利用低层次的纹理特征和高层次的语义表示。尽管主成分分析或基于互信息的特征选择等降维技术可降低特征维度，但本研究有意保留完整的融合特征表示，因为融合后的特征空间对于所使用的径向基函数SVM（RBF-SVM）分类器而言在计算上仍可处理，同时保留了来自异构CNN骨干网络提取的互补诊断信息。
分类
利用融合的特征向量训练具有径向基函数（RBF）核的支持向量机（SVM）分类器。采用超参数优化技术确定最优的分类设置。随后，该分类器将皮肤病变划分为相应的类别。
可解释性
为了提高可解释性，采用LIME生成可视化解释，突出显示对分类结果贡献最为显著....
访问受限。请登录或开始试用以查看此内容。
所开发分类框架的性能评估基于源自混淆矩阵的传统评价指标。混淆矩阵通过表示针对每个定义类别所做出的正确与错误分类数量，能够全面地理解分类器的性能，从而可以分析所有类型的错误。例如，在疾病诊断中，假阳性与假阴性均尤为重要。假阳性值较高可能表明分类器具有高灵敏度，但同时，大量的假阴性则表明其灵敏度较低，并可能带来潜在的健康风险。本文采用了以下性能指标：准确率（accuracy）、精确率（precision）、召回率（recall）、F1分数（F1-score）、特异性（specificity）、真阳性率（TPR）和假阳性率（FPR）。这些指标的计算公式如下所示：
准确率 = (TP + TN) / (TP + TN + FP + FN) (3)
精确率 = TP/(TP+FP) (4)
访问受限。请登录或开始试用以查看此内容。
本文提出的用于皮肤病变分类的可解释深度学习框架（EDLF-SLC）表明，将互补的深度特征表示与可解释的人工智能相结合，能够同时提升分类性能和模型透明度。该框架通过整合多种预训练的卷积神经网络架构（ResNet50、EfficientNetB0、MobileNet 和 Xception）进行特征提取，并采用支持向量机（SVM）完成最终分类，充分利用不同特征提取器的优势，生成比单一主干网络更丰富且更具判别性的病变表征。此外，通过引入局部可解释模型无关解释方法（LIME），该框架可提供局部化的视觉解释，使临床医生能够理解对每项预测贡献最大的图像区域，从而增强对模型诊断决策的信心。
实验结果表明，EDLF-SLC 在与基准 CNN 模型（包括 MobileNet、Xception 和 ResNet50）的比较中表现出具有竞争力的性能，凸显了互补特征融合与基于 SVM 分类方法的有效性。与近期先进方法的对比进一步验证了所提出框架的竞争力。例如，两项研究48,49 报道了使用基.......
访问受限。请登录或开始试用以查看此内容。
作者声明不存在利益冲突。
作者谨向泰夫大学表示诚挚的感谢，感谢其提供的研究环境和机构支持，这些支持促进了本工作的顺利完成。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| ISIC 2020 皮肤病变数据集 | 国际皮肤影像协作组织 (ISIC) | ISIC 2020 挑战赛数据集 | 用于模型开发与评估的皮肤镜图像数据集。 |
| Keras | Keras 团队 | 集成于 TensorFlow | 深度学习模型的构建与训练。 |
| LIME（局部可解释模型无关解释方法） | Ribeiro 等人 | Python 软件包 | 为模型预测生成局部可视化解释。 |
| Matplotlib | Matplotlib 开发者 | 最新兼容版本 | 学习曲线、混淆矩阵及评估图表的可视化。 |
| NumPy | NumPy 开发者 | 最新兼容版本 | 数值计算与数组操作。 |
| NVIDIA Tesla T4 GPU | NVIDIA 公司 | 16 GB VRAM | 模型训练与推理加速。 |
| Pandas | Pandas 开发团队 | 最新兼容版本 | 数据处理与实验结果管理。 |
| 预训练 CNN 模型 | TensorFlow/Keras Applications | ResNet50、EfficientNetB0、MobileNet、Xception | 从皮肤镜图像中提取深度特征。 |
| Python | Python 软件基金会 | 版本 3.9 | 实现所用的编程语言。 |
| PyTorch | PyTorch 基金会 | 版本 2.3.1 | 用于特征提取与模型实现的深度学习框架。 |
| Scikit-learn | Scikit-learn 开发者 | 最新兼容版本 | 支持向量机（SVM）、评估指标与数据预处理。 |
| 支持向量机（RBF 核） | Scikit-learn | SVC | 融合后的深度特征表示的分类。 |
| TensorFlow | Google LLC | 版本 2.x | 用于模型训练与推理的深度学习框架。 |
| Ubuntu 操作系统 | Canonical Ltd. | Ubuntu 20.04 | 实验运行环境。 |
访问受限。请登录或开始试用以查看此内容。