Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Объяснимая компьютерная система классификации кожных поражений на основе глубокого обучения

103 просмотров

⸱

DOI:

10.3791/72639

⸱

25 августа 2026 г.

 ,  ,  ,  ,  ,  ,  , 
1Department of Information Systems, College of Computer Science and Engineering, Taibah University, 2Department of Information Technology, College of Computers and Information Technology, Taif University, 3Department of Information Systems, College of Computer Science and Engineering, Taibah University, 4Department of Computer Science, College of Computer Science and Engineering, Taibah University, 5Information Technology Department, Faculty of Computers and Information, Menoufia University, 6Computer Science Department, Faculty of Science, Tanta University

В этой статье

Краткое содержание

В данной работе представлена объяснимая архитектура на основе CNN для классификации поражений кожи, которая сочетает в себе высокую диагностическую точность с интерпретируемостью модели. Она классифицирует изображения поражений и генерирует визуальные объяснения своих прогнозов. Результаты демонстрируют высокую эффективность и повышенную прозрачность, что способствует принятию клинических решений и помогает дерматологам в раннем выявлении заболеваний кожи.

Аннотация

Использование глубоких сверточных нейронных сетей для диагностики заболеваний кожи в различных исследованиях продемонстрировало точность, сопоставимую с результатами дерматологов. Тем не менее, по-прежнему существует множество проблем, включая недостаточную эффективность и плохую обобщающую способность в некоторых случаях, а также низкую интерпретируемость, связанную с использованием моделей «черного ящика». Это создает серьезные препятствия для практического внедрения, поскольку помимо точной диагностики требуется объяснимость, что делает поиск решения необходимым. Для преодоления указанных трудностей в данном исследовании разработан объяснимый фреймворк глубокого обучения для классификации кожных поражений (EDLF-SLC). Фреймворк в трехэтапном режиме использует различные подходы машинного обучения и объяснимого искусственного интеллекта (XAI) для обеспечения повышения как точности, так и интерпретируемости. На начальном этапе глубокие представления, извлеченные из нескольких предобученных архитектур CNN, объединяются для сохранения дополняющей дискриминационной информации, изученной различными архитектурами сетей, перед классификацией с помощью SVM с радиально-базисным функционным ядром. Затем для классификации полученных признаков используются классификаторы метода опорных векторов (SVM) с радиально-базисным функционным ядром. Наконец, прогнозы, сделанные моделью, интерпретируются с помощью локальных интерпретируемых модельно-независимых объяснений (LIME). Результаты экспериментов показывают, что EDLF-SLC достигает точности (accuracy) 88,0%, точности (precision) 89,0%, полноты (recall) 87,0% и F1-меры 88,0%, демонстрируя конкурентоспособную эффективность по сравнению с несколькими недавно описанными методами в экспериментальных условиях, рассмотренных в данном исследовании.

Введение

Поражения кожи представляют собой серьезную проблему в дерматологии и онкологии, поскольку они варьируются от доброкачественных образований до злокачественных опухолей, таких как меланома — самая опасная форма рака кожи. В 2020 году в мире было зарегистрировано примерно 325 000 новых случаев заболевания меланомой и более 57 000 смертей1. Несмотря на то, что достижения в области скрининга и лечения улучшили результаты терапии, несвоевременная диагностика и ограниченный доступ к медицинскому обслуживанию по-прежнему способствуют высокому уровню смертности и потере лет жизни, особенно среди молодого населения2,3.

Традиционная диагностика опирается преимущественно на визуальный осмотр и дерматоскопию, что делает процесс зависимым от опыта клиницистов и подверженным субъективизму, межнаблюдательской вариабельности, проведению излишних биопсий и увеличению времени обследования4,5,6. Чтобы устранить эти недостатки, глубокое обучение, в частности сверточные нейронные сети (CNN), стало эффективным решением для автоматизированной классификации кожных новообразований. Модели на базе CNN, включая DDCNN-F7, YOLOv7-XAI8 и ряд других архитектур9,10,11,12,13, продемонстрировали высокую диагностическую точность за счет автоматического извлечения дискриминативных признаков изображений. Несмотря на успех, большинство моделей глубокого обучения работают как «черные ящики», что ограничивает доверие клиницистов и препятствует их внедрению в рутинную медицинскую практику. В связи с этим были внедрены методы объяснимого искусственного интеллекта для повышения прозрачности моделей путем предоставления визуальных объяснений прогнозов. Среди этих методов Local Interpretable Model-Agnostic Explanations генерирует интерпретируемые локальные объяснения, идентифицируя области изображения, которые оказывают наибольшее влияние на решения модели14.

Классификация кожных поражений прошла путь от традиционной клинической оценки до передовых диагностических систем на базе ИИ, что было обусловлено необходимостью точного, надежного и раннего выявления рака кожи. Эта эволюция прошла через пять основных этапов — традиционные методы диагностики, компьютерная диагностика (CAD), машинное обучение (ML), глубокое обучение (DL) и, в последнее время, объяснимый ИИ (XAI) и федеративное обучение (FL), что отражает постоянные усилия по повышению точности, согласованности, масштабируемости и клинического доверия к диагностике при одновременном преодолении ограничений традиционного обследования. Ранние вычислительные методы пытались имитировать клиническое мышление с помощью созданных вручную дескрипторов изображений, основанных на правиле ABCD, включая асимметрию, неровность границ, вариативность цвета и диаметр поражения. Эти признаки объединяли с байесовскими сетями, деревьями решений, экспертными системами и моделями нечеткого вывода для поддержки диагностики меланомы; в ряде исследований сообщалось о точности классификации, превышающей 90%15,16,17. Несмотря на то, что эти методы заложили важный фундамент для компьютерной диагностики, они полностью зависели от вручную разработанных признаков и предопределенных диагностических правил. Следовательно, они демонстрировали ограниченную устойчивость к вариациям качества изображений, морфологии поражений, освещения и условий получения снимков.

Для устранения этих недостатков появились классические системы CAD (компьютерной диагностики), ставшие промежуточным этапом между традиционным анализом изображений и современными платформами на базе ИИ. Системы CAD сочетали ручное извлечение признаков с традиционными классификаторами для повышения согласованности диагностики и помощи в принятии клинических решений. Ряд гибридных подходов интегрировал иерархическую кластеризацию с рекуррентными нейронными сетями и архитектурами долгой краткосрочной памяти, что позволило достичь точности классификации, приближающейся к 99,5%18. Другие платформы на базе CAD включали классификаторы градиентного бустинга с объяснениями на основе SHAP, демонстрируя конкурентоспособную диагностическую точность при одновременном повышении прозрачности моделей19. Несмотря на то, что эти системы представляли собой значительный шаг вперед по сравнению с чисто основанными на правилах подходами, они по-прежнему в значительной степени опирались на ручное извлечение признаков, обширную предварительную обработку, тщательно аннотированные наборы данных и многостадийные конвейеры обработки.

Методы машинного обучения способствовали дальнейшему развитию автоматизированной классификации новообразований кожи, обеспечив возможность обучения на основе данных вместо разработки явных правил. Гибридные структуры, сочетающие сверточные нейронные сети с традиционными классификаторами машинного обучения, включая логистическую регрессию и метод k-ближайших соседей, продемонстрировали высокую эффективность классификации на эталонных наборах данных, достигая точности более 95%9. Самообучающееся мультимодальное обучение позволило дополнительно улучшить представление признаков за счет совместного использования дерматоскопических и клинических изображений, что снизило зависимость от обширной ручной разметки при одновременном повышении качества классификации20. В дополнительных исследованиях CNN сочетались с обобщенным дискриминантным анализом, дескрипторами SURF и алгоритмами оптимизации для улучшения различения признаков и точности классификации21. Методы автоматического отбора признаков с использованием DenseNet-201, InceptionV3 и алгоритмов оптимизации бинарного дерева дополнительно улучшили представление признаков при сохранении конкурентоспособной диагностической эффективности22. Подходы на основе трансферного обучения с использованием предобученных архитектур, таких как AlexNet и GoogLeNet, также продемонстрировали многообещающие возможности классификации, несмотря на ограниченный объем обучающих данных23. Тем не менее, большинство методов машинного обучения по-прежнему зависели от тщательно разработанных процедур предобработки, ручных стратегий оптимизации, сбалансированных наборов данных и обширной настройки гиперпараметров. Ограниченная внешняя валидация и чувствительность к дисбалансу классов дополнительно ограничивали их практическую применимость в различных клинических условиях.

Внедрение глубокого обучения (DL) коренным образом изменило автоматизированную классификацию новообразований кожи, обеспечив возможность сквозного обучения непосредственно на основе необработанных данных изображений. Сверточные нейронные сети (CNN) устранили необходимость в ручном проектировании признаков, существенно повысив диагностическую эффективность на нескольких эталонных наборах данных. Большинство подходов на основе CNN продемонстрировали значительное улучшение классификации поражений благодаря использованию все более сложных архитектур. Модели CNN с учетом симметрии позволили исследовать клинически значимые характеристики новообразований, однако обеспечили лишь умеренную сбалансированную точность24. Другие исследователи интегрировали архитектуры EfficientNet с методами интерпретации LIME и SHAP для повышения прозрачности моделей, введя при этом количественные показатели достоверности25. Гибридные системы глубокого обучения, сочетающие сегментацию поражений, ансамблевое обучение и CNN, достигли отличных результатов на нескольких наборах данных ISIC, но остались чувствительными к качеству сегментации и дисбалансу классов26.

В последнее время всё более сложные гибридные архитектуры позволили дополнительно повысить точность классификации за счет интеграции взаимодополняющих методов глубокого обучения (DL). Условные генеративно-состязательные сети в сочетании с YOLOv5 и анализом независимых компонент позволили достичь точности классификации более 99%, хотя их вычислительная сложность ограничила возможности практического применения 27. Аналогичным образом, гибридные архитектуры LSTM–ResNet эффективно обучались пространственно-временным представлениям, но требовали значительно больших вычислительных ресурсов28. Модели на базе трансформеров, включая Sap-Former, использовали глобальную контекстную информацию для улучшения представления признаков, однако требовали тщательной предварительной обработки, крупномасштабных аннотированных наборов данных и значительной вычислительной мощности29. Облегченные альтернативы, такие как S-MobileNet, были направлены на поиск баланса между вычислительной эффективностью и диагностической точностью30, в то время как методы ненаправляемой адаптации домена улучшили обобщающую способность между различными доменами, несмотря на снижение эффективности при наличии ограниченного количества обучающих выборок31. Гибридные сети с механизмом внимания, включающие модифицированные модули сверточного внимания и snapshot-ансамблевое обучение, также продемонстрировали многообещающие результаты при классификации кожных поражений при оспе обезьян, хотя проблемы, связанные с дисбалансом классов, разнообразием изображений и ограниченной интерпретируемостью, остались нерешенными32. Специализированные остаточные архитектуры, использующие более глубокие структуры сетей и гибридные функции потерь, еще больше повысили точность классификации (свыше 99%), но привели к значительному увеличению вычислительных затрат и времени обучения33. Комплексные обзорные исследования последовательно подтверждают, что методы DL существенно превосходят традиционные подходы с ручным проектированием признаков за счет автоматического извлечения дискриминативных представлений изображений, одновременно выявляя устойчивые проблемы, связанные с артефактами визуализации, вариабельностью освещения, вычислительной сложностью и ограниченной клинической обобщаемостью34.

Хотя глубокое обучение (DL) значительно повысило точность диагностики, вопросы, касающиеся прозрачности моделей, оценки неопределенности и надежности клинического внедрения, стимулировали растущий интерес к объяснимому искусственному интеллекту (XAI) и федеративному обучению. В ряде исследований изучались методы количественной оценки неопределенности, включая конформное прогнозирование, метод Монте-Карло с использованием дропаута и эвиденциальное глубокое обучение; было показано, что надежная оценка уверенности может существенно улучшить поддержку принятия решений, несмотря на дополнительные вычислительные ограничения и требования к данным35. Для решения проблемы дисбаланса классов при одновременном повышении эффективности обучения признакам были предложены фреймворки взаимного обучения на базе трансформеров36. В других подходах использовалось сочетание сверточных нейронных сетей (CNN) полного разрешения с методами оптимизации на основе графов для улучшения сегментации и классификации очагов поражения37, в то время как гибридные архитектуры глубокого обучения, интегрирующие несколько дополняющих друг друга представлений признаков, позволили достичь точности классификации, приближающейся к 99,5%, несмотря на необходимость обширной предварительной обработки данных38.

В последнее время исследования все чаще сосредоточены на интеграции интерпретируемости непосредственно в структуры глубокого обучения (DL) для повышения доверия клиницистов и содействия практическому внедрению в клинику. Объяснимые системы, использующие несколько архитектур сверточных нейронных сетей вместе с Grad-CAM и Score-CAM, успешно локализовали диагностически значимые области поражений, сохраняя при этом конкурентоспособную точность классификации как на внутренних, так и на внешних наборах данных39. Гибридные структуры CNN-Transformer, объединяющие дерматоскопические изображения с клиническими метаданными, еще больше улучшили прогнозную способность, используя SHAP и Grad-CAM для создания клинически значимых визуальных объяснений40. Дополнительные гибридные архитектуры на основе трансформеров, интегрирующие EfficientNetV2S, Swin Transformers, модифицированные сети Xception и механизмы внимания на графах, эффективно фиксировали взаимодополняющие глобальные и локальные характеристики поражений, хотя большое количество параметров и ограниченная эффективность на редких классах ограничили их практическое применение41. Аналогично, гибридные структуры YOLOv8-Vision Transformer продемонстрировали улучшенную локализацию поражений, многоклассовую классификацию и визуальную интерпретируемость благодаря адаптивной аугментации вместе с объяснениями SHAP и Grad-CAM; однако эти методы по-прежнему опирались преимущественно на эталонные наборы данных и демонстрировали ограниченную робастность для редких категорий поражений42. В нескольких обзорных статьях были обобщены эти разработки, подчеркивая как значительный прогресс, достигнутый современными методами глубокого обучения, так и сохраняющиеся проблемы, связанные с вычислительной эффективностью, интерпретируемостью, зависимостью от наборов данных и клинической валидацией43,44,45. В Таблице 1 обобщены некоторые из недавно опубликованных работ по использованию алгоритмов глубокого обучения для классификации поражений кожи.

Несмотря на значительные успехи, достигнутые современными методами глубокого обучения (DL) в классификации поражений кожи, большинство существующих подходов по-прежнему ограничены высокой вычислительной сложностью, зависимостью от больших аннотированных наборов данных, ограниченной интерпретируемостью моделей и недостаточной валидацией в различных реальных клинических условиях. Чтобы преодолеть эти ограничения, в данной работе предлагается платформа EDLF-SLC, которая интегрирует дополняющие друг друга признаки, извлеченные из нескольких архитектур CNN, с классификатором SVM для обеспечения надежной и точной классификации. В платформе также используются улучшенные методы предобработки для повышения качества изображений и устранения дисбаланса классов, в то время как применение метода LIME позволяет предоставлять визуальные объяснения отдельных прогнозов, повышая тем самым прозрачность модели и доверие к ней в клинической практике.

Данное исследование вносит вклад в трех направлениях. Во-первых, авторы предлагают надежную структуру EDLF-SLC, которая объединяет современные сверточные нейронные сети (CNN) с классификатором на базе метода опорных векторов (SVM) для достижения точной и надежной классификации кожных поражений. Во-вторых, авторы применяют усовершенствованные методы предварительной обработки для устранения дисбаланса классов и снижения шума на изображениях, что повышает качество входных данных и общую эффективность модели классификации. В-третьих, авторы внедряют метод локально интерпретируемого модельно-независимого объяснения (LIME) для визуализации и интерпретации отдельных прогнозов модели путем выделения областей изображения, которые оказывают наибольшее влияние на решения по классификации, тем самым повышая прозрачность и интерпретируемость предлагаемой структуры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Данное исследование не предусматривало привлечения людей в качестве участников или сбора идентифицируемых данных пациентов. Все эксперименты проводились с использованием общедоступного набора данных поражений кожи ISIC 2020, полученного из репозитория Kaggle; в связи с этим одобрение институционального комитета по этике и информированное согласие не требовались. Все материалы, использованные в данном исследовании, находятся в Таблица материалов.

Извлечение и объединение признаков
Изображения поражений кожи обрабатывались с использованием нескольких предварительно обученных моделей CNN. Векторы глубоких признаков, извлеченные из выбранных архитектур предобученных CNN, объединяются конкатенацией для создания единого представления признаков для каждого изображения поражения кожи. Принятая стратегия объединения позволяет сохранить дополнительную визуальную информацию, полученную различными архитектурами CNN, что дает последующему классификатору SVM использовать как низкоуровневые текстурные характеристики, так и высокоуровневые семантические представления. Несмотря на то, что методы снижения размерности, такие как анализ главных компонентов или отбор признаков на основе взаимной информации, могли бы уменьшить размерность данных, полное объединенное представление было намеренно сохранено, поскольку объединенное пространство признаков остается вычислительно доступным для используемого классификатора RBF-SVM, при этом сохраняется взаимодополняющая диагностическая информация, извлеченная из гетерогенных базовых сетей CNN.

Классификация
Объединенные векторы признаков использовались для обучения классификатора SVM с RBF-ядром. Для определения оптимальных настроек классификации применялись методы оптимизации гиперпараметров. Затем классификатор распределил поражения кожи по соответствующим классам.

Объяснимость
Для повышения интерпретируемости был применен метод LIME для создания визуальных объяснений, выделяющих области изображения, которые вносят наиболее значительный вклад в результаты классификации. Эти объяснения помогут клиницистам понять и подтвердить решения модели.

План оценки
Предложенная структура была протестирована с использованием эталонного набора данных новообразований кожи. Эффективность оценивали по таким показателям, как точность (Accuracy), прецизионность (Precision), полнота (Recall) и F1-мера (F1-Score). Для подтверждения эффективности предложенного подхода были проведены сравнительные эксперименты с существующими методами машинного и глубокого обучения.

Ожидаемые результаты
Ожидалось, что в результате исследования будет разработана точная и интерпретируемая система классификации поражений кожи. Предварительные экспериментальные результаты показывают, что EDLF-SLC достигает точности (accuracy) 88.0%, прецизионности (precision) 89.0%, полноты (recall) 87.0% и F1-меры (F1-score) 88.0%, что превосходит показатели нескольких конкурирующих методов. Предполагалось, что интеграция объяснений LIME повысит степень доверия и облегчит внедрение диагностических систем с поддержкой ИИ в клиническую практику.

Значимость
Данное исследование вносит вклад в развивающуюся область объяснимого ИИ в здравоохранении, решая проблемы как производительности, так и прозрачности диагностики новообразований кожи. Предложенная структура обладает потенциалом для поддержки дерматологов в принятии более надежных и интерпретируемых диагностических решений, что в конечном итоге позволит улучшить качество ухода за пациентами. Кроме того, в данном разделе авторы представили информацию о материалах и методологии, примененных в этом исследовательском проекте. В частности, авторы начали с описания набора данных, использованного для экспериментов, и перешли к детальному обсуждению структуры объяснимого глубокого обучения для классификации новообразований кожи.

Набор данных
Представленная работа основана на общедоступном наборе данных ISIC 2020 (International Skin Imaging Collaboration), доступ к которому можно получить на веб-сайте Kaggle (https://www.kaggle.com/datasets/fanconic/skin-cancer-malignant-vs-benign). Репозиторий ISIC признан одним из лучших ресурсов в области дерматологической визуализации, так как он содержит большое разнообразие дерматоскопических изображений различных типов поражений кожи, как показано на рисунке 1. Важно отметить, что набор данных включает изображения как доброкачественных, так и злокачественных образований, что делает его полезным для выполнения задач бинарной классификации рака кожи 46. В текущем наборе данных содержится 3 297 изображений, из которых 1 800 являются доброкачественными и 1 497 — злокачественными. Для более эффективного проведения экспериментов данные были разделены на обучающую и тестовую выборки. В частности, обучающая выборка содержит 2 637 изображений, включая 1 440 доброкачественных и 1 197 злокачественных, в то время как тестовая выборка состоит из 660 изображений, из которых 360 — доброкачественные и 300 — злокачественные. Сводка по набору данных представлена в таблице 2.

Предлагаемая модель EDLF-SLC
В данной работе предложено эффективное и понятное решение для классификации поражений кожи на доброкачественные и злокачественные с использованием нового метода объяснимого глубокого обучения, основанного на гибридном подходе, который сочетает в себе преимущества нескольких предварительно обученных моделей сверточных нейронных сетей. Сверточные нейронные сети доказали свою высокую эффективность в извлечении семантических признаков высокого уровня из медицинских изображений. Используя эту возможность, предлагаемая архитектура объяснимого глубокого обучения для классификации поражений кожи (EDLF-SLC) задействует несколько предобученных моделей CNN для достижения превосходных результатов. Чтобы обеспечить необходимую прозрачность процесса принятия медицинских решений, в предлагаемом подходе был применен метод LIME для генерации локальных, понятных человеку объяснений полученных результатов. Полную структуру архитектуры можно разделить на три основных этапа, как показано на Рисунке 2, а именно: (1) предварительная обработка данных, (2) извлечение признаков и классификация и (3) интерпретируемость.

Архитектура и интеграция модели
В качестве предварительного этапа семь популярных моделей глубокого обучения (MobileNetV2, ResNet50, EfficientNetB0, Xception, InceptionResNetV2, NASNetLarge и MobileNet) были отобраны и по отдельности протестированы на валидационном наборе данных; для этапа извлечения признаков были выбраны четыре наиболее эффективные модели (ResNet50, EfficientNetB0, MobileNet и Xception). В предлагаемой структуре каждое входное изображение x независимо пропускалось через выбранные предобученные модели. Из каждой из этих моделей был удален последний полносвязный слой, а векторы признаков были получены с предыдущих слоев. fResNet50(x), fEfficientNetB0(x), fMobileNet(x) и fXception(x) обозначают выходные векторы признаков каждой из вышеупомянутых моделей. Путем конкатенации этих векторов признаков получается новый агрегированный вектор признаков F(xi):

F(xi) = [f(ResNet50)(xi);f(EfficientNetB0)(xi);f(MobileNet)(xi);f(Xception)(xi)] (1)

После этого F(xi) пропускается через классификатор SVM с радиально-базисной функцией (RBF) для получения результата классификации. Полный алгоритм предложенной структуры представлен в Дополнительном файле 1.

Предложенная структура основана на прямом слиянии признаков на уровне функций, поскольку каждая предобученная архитектура CNN извлекает различные дискриминантные характеристики поражений кожи благодаря своей уникальной архитектуре сети и иерархии выученных признаков. Следовательно, конкатенация этих гетерогенных представлений признаков позволяет сохранить дополняющую друг друга информацию, что способствует более всесторонней характеристике поражений перед этапом классификации. Хотя методы снижения размерности, такие как анализ главных компонентов (PCA) или отбор признаков на основе взаимной информации, могут уменьшить размерность объединенного представления, полный вектор слитых признаков был сохранен намеренно, так как его размерность остается вычислительно приемлемой для используемого классификатора RBF-SVM, при этом сохраняется комплементарная диагностическая информация, извлеченная различными базовыми сетями CNN. Таким образом, данная архитектура отдает приоритет сохранению дополняющих друг друга глубоких представлений, а не удалению потенциально информативных признаков перед классификацией.

Подготовка данных
Подготовка данных включала предварительную обработку и разделение набора данных на обучающую и тестовую выборки. Предварительная обработка направлена на повышение качества данных путем устранения противоречий, удаления дублирующих элементов, форматирования входных изображений и масштабирования признаков для стабильного обучения качественной модели. Все изображения были нормализованы до диапазона [−1, 1] с помощью Z-score нормализации:

Формула нормализованного значения (X-μ)/σ, статистическая концепция, схема уравнения. (2)

где µ и σ обозначают соответственно среднее значение и стандартное отклонение для соответствующего изображения. Набор данных был разделен на два подмножества: обучающую выборку (70.0%) и тестовую выборку (30.0%).

Аугментация данных
Для предотвращения переобучения и повышения обобщающей способности модели для обучающей выборки были использованы некоторые методы аугментации. Аугментация изображений предполагает модификацию снимков с целью искусственного расширения набора данных без изменения основных признаков медицинских состояний. Конвейер аугментации был построен с использованием Keras Sequential API. Применялись такие преобразования, как случайное горизонтальное отражение, поворот на небольшой угол, изменение размера, масштабирование, регулировка яркости/контрастности, зумирование и некоторые незначительные смещения. Репрезентативные примеры аугментированных изображений представлены на Рисунке 3.

Предобученные модели
В предлагаемой структуре для извлечения признаков из входных изображений были использованы несколько предобученных моделей глубокого обучения. К этим моделям относятся MobileNet, ResNet50, EfficientNetB0, Xception, NASNetLarge, Inception-ResNet-v2 и MobileNetV2. MobileNet и MobileNetV2 представляют собой легковесные модели глубокого обучения для эффективных вычислений с использованием глубинных разделяемых сверток. В ResNet50 для обучения модели применяется механизм остаточных связей, что позволяет избежать проблемы затухающих градиентов в процессе обучения. EfficientNetB0 обеспечивает баланс между эффективностью и точностью благодаря подходу комбинированного масштабирования. Xception расширяет сеть Inception, используя глубинные разделяемые свертки. NASNetLarge основана на использовании автоматического поиска нейронной архитектуры для построения оптимальных структур глубоких нейронных сетей, а Inception-ResNet-v2 представляет собой гибрид модели Inception и механизма остаточных связей. Векторы признаков, извлеченные из ResNet50 (1,024 признака), EfficientNetB0 (1,280 признаков), MobileNet (1,024 признака) и Xception (2,048 признаков), объединяются (конкатенируются) для создания единого 5,376-мерного представления. Данная стратегия слияния была выбрана для сохранения дополняющих друг друга представлений, полученных различными архитектурами CNN, вместо сокращения размерности представления перед классификацией. Полученный вектор признаков затем подается на классификатор RBF-SVM, который определяет оптимальную нелинейную решающую границу в объединенном пространстве признаков.

Интерпретируемая модель ИИ (LIME)
Для обеспечения локальной интерпретируемости прогнозов модели авторы используют метод генерации локализованных, понятных человеку объяснений для каждого конкретного прогноза модели, называемый LIME47. Для любого входного изображения LIME сначала разделяет его на более мелкие единицы, называемые суперпикселями. Затем на основе исходного изображения создаются возмущения, и для каждого из них оцениваются прогнозы глубокой нейронной модели. После этого на основе возмущений строится взвешенная линейная модель, где веса зависят от степени близости возмущения к исходному входному экземпляру. После построения линейной модели оцениваются показатели значимости признаков, которые указывают на роль каждого суперпикселя в прогнозировании итоговой метки. Эти показатели значимости визуально выделены на итоговом изображении-объяснении. Алгоритм LIME представлен в Дополнительном файле 2.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Оценка эффективности разработанной структуры классификации основана на традиционных показателях оценки, вытекающих из матрицы ошибок. Матрица ошибок позволяет получить полное представление о работе классификатора путем представления количества правильных и неправильных классификаций для каждого определенного класса. Таким образом можно проанализировать все типы ошибок. Например, ложноположительные и ложноотрицательные результаты особенно важны при диагностике заболеваний. Высокие значения ложноположительных результатов м...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Предложенная интерпретируемая структура глубокого обучения для классификации кожных новообразований (EDLF-SLC) демонстрирует, что сочетание дополняющих друг друга представлений глубоких признаков с объяснимым искусственным интеллектом позволяет повысить как точность классификации, так и прозрачность модели. Благодаря интеграции нескольких предобученных архитектур CNN (ResNet50, EfficientNetB0, MobileNet и Xception) для извлечения признаков и использованию метода опорных векторов (SVM) для окончательной классификации, дан...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают искреннюю благодарность Университету Таифа за предоставление исследовательской среды и институциональную поддержку, которые способствовали завершению данной работы.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Набор данных кожных поражений ISIC 2020International Skin Imaging Collaboration (ISIC)Набор данных конкурса ISIC 2020Набор дерматоскопических изображений, используемый для разработки и оценки моделей.
KerasKeras TeamИнтегрирован с TensorFlowПостроение и обучение моделей глубокого обучения.
LIME (Local Interpretable Model-Agnostic Explanations)Ribeiro et al.Пакет PythonСоздание локальных визуальных объяснений прогнозов моделей.
MatplotlibMatplotlib DevelopersПоследняя совместимая версияВизуализация кривых обучения, матриц ошибок и графиков оценки.
NumPyNumPy DevelopersПоследняя совместимая версияЧисленные вычисления и манипуляции с массивами.
NVIDIA Tesla T4 GPUNVIDIA Corporation16 GB VRAMУскорение обучения и логического вывода моделей.
PandasPandas Development TeamПоследняя совместимая версияОбработка данных и управление результатами экспериментов.
Предобученные модели CNNTensorFlow/Keras ApplicationsResNet50, EfficientNetB0, MobileNet, XceptionИзвлечение глубоких признаков из дерматоскопических изображений.
PythonPython Software FoundationВерсия 3.9Язык программирования, использованный для реализации.
PyTorchPyTorch FoundationВерсия 2.3.1Фреймворк глубокого обучения, использованный для извлечения признаков и реализации модели.
Scikit-learnScikit-learn DevelopersПоследняя совместимая версияМетод опорных векторов (SVM), метрики оценки и предобработка данных.
Метод опорных векторов (RBF-ядро)Scikit-learnSVCКлассификация объединенных представлений глубоких признаков.
TensorFlowGoogle LLCВерсия 2.xФреймворк глубокого обучения для обучения и логического вывода моделей.
Операционная система UbuntuCanonical Ltd.Ubuntu 20.04Операционная среда для проведения экспериментов.

Ссылки

  1. Chan S, Reddy V, Myers B, Thibodeaux Q, Brown-Stone N, Liao W. Machine learning in dermatology: current applications, opportunities, and limitations. Dermatol Ther (Heidelb). 2020;10:365-386.
  2. Olsen CM. Global trends in melanoma mortality differ by sex and age. Br J Dermatol. 2020;183(6):985-986.
  3. Sun Y, Shen Y, Liu Q, Zhang H, Jia L, Chai Y, et al. Global trends in melanoma burden: a comprehensive analysis from the Global Burden of Disease Study, 1990-2021. J Am Acad Dermatol. 2025;92(1):100-107.
  4. Monika MK, Vignesh NA, Kumari CU, Kumar M, Lydia EL. Skin cancer detection and classification using machine learning. Mater Today Proc. 2020;33:4266-4270.
  5. Hosny KM, Elshora D, Mohamed ER, Vrochidou E, Papakostas GA. Deep learning and optimization-based methods for skin lesions segmentation: a review. IEEE Access. 2023.
  6. Baghdadi NA, Farghaly Abdelaliem SM, Malki A, Gad I, Ewis A, Atlam ES. Advanced machine learning techniques for cardiovascular disease early detection and diagnosis. J Big Data. 2023;10(1):144.
  7. Veeramani N, Jayaraman P, Krishankumar R, Ravichandran KS, Gandomi AH. DDCNN-F: double decker convolutional neural network feature fusion as a medical image classification framework. Sci Rep. 2024;14(1).
  8. Veeramani N, Jayaraman P. YOLOv7-XAI: multiclass skin lesion diagnosis using explainable artificial intelligence with fair decision making. Int J Imaging Syst Technol. 2024;34(6).
  9. Shetty B, Fernandes R, Rodrigues AP, Chengoden R, Bhattacharya S, Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Sci Rep. 2022;12(1):18134.
  10. Ali AR, Li J, Yang G, O'Shea SJ. A machine learning approach to automatic detection of irregularity in skin lesion border using dermoscopic images. PeerJ Comput Sci. 2020;6:e268.
  11. Pham TTH, Luu TN, Nguyen TV, Huynh NT, Phan QH, Le TH. Polarimetric imaging combining optical parameters for classification of mice non-melanoma skin cancer tissue using machine learning. Heliyon. 2023;9(11).
  12. Liu N, Rejeesh M, Sundararaj V, Gunasundari B. ACO-KELM: anti coronavirus optimized kernel-based softplus extreme learning machine for classification of skin cancer. Expert Syst Appl. 2023;232:120719.
  13. Masud M, Almars AM, Rokaya MB, Meshref H, Gad I, Atlam ES. A novel lightweight convolutional neural network model to predict Alzheimer's disease applying weighted loss function. J Disabil Res. 2024;3(4):20240042.
  14. Kumar A, Veeraiah V, Gongada TN, Ahamad S, Khan H, Gupta A. Explainable machine learning models for clinical decision support systems. In: 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT). Piscataway (NJ): IEEE; 2024. p. 1-6.
  15. Shahzad K, Wasim M, Pires IM, Garcia NM. Multi-classification of skin lesions using a deep learning-based convolutional neural network. Procedia Comput Sci. 2024;241:588-593.
  16. Celebi ME, Kingravi HA, Uddin B, Iyatomi H, Aslandogan YA, Stoecker WV, et al. A methodological approach to the classification of dermoscopy images. Comput Med Imaging Graph. 2007;31(6):362-373.
  17. Li CX, Shen CB, Xue K, Shen X, Jing Y, Wang ZY, et al. Artificial intelligence in dermatology: past, present, and future. Chin Med J (Engl). 2019;132(17):2017-2020.
  18. Ramprasad M, Nagesh S, Sahith V, Lankalapalli RK. Hierarchical agglomerative clustering based skin lesion detection with region-based neural networks classification. Meas Sens. 2023;29:100865.
  19. Khater T, Ansari S, Mahmoud S, Hussain A, Tawfik H. Skin cancer classification using explainable artificial intelligence on pre-extracted image features. Intell Syst Appl. 2023;20:200275.
  20. Wang H, Ahn E, Bi L, Kim J. Self-supervised multi-modality learning for multi-label skin lesion classification. Comput Methods Programs Biomed. 2025;265:108729.
  21. Thapar P, Rakhra M, Alsaadi M, Quraishi A, Deka A, Naga Ramesh JV. A hybrid grasshopper optimization algorithm for skin lesion segmentation and melanoma classification using deep learning. Healthc Anal. 2024;5:100326.
  22. Kumar S, Nath VK, Hazarika D. Blend of deep features and binary tree growth algorithm for skin lesion classification. Symmetry (Basel). 2023;15(12):2213.
  23. Chandrahaas BV, Mohanty SN, Panda SK, et al. An empirical study on classification of monkeypox skin lesion detection. EAI Endorsed Trans Pervasive Health Technol. 2023;9:e4.
  24. Talavera-Martínez L, Bibiloni P, Giacaman A, Taberner R, de Paz Hernando LJD, González-Hidalgo M. A novel approach for skin lesion symmetry classification with a deep learning model. Comput Biol Med. 2022;145:105450.
  25. Ieracitano C, Morabito FC, Hussain A, Suffian M, Mammone N. TIXAI: a trustworthiness index for explainable artificial intelligence in skin lesion classification. Neurocomputing. 2025;630:129701.
  26. Hasan MK, Elahi MTE, Alam MA, Jawad MT, Martí R. DermoExpert: skin lesion classification using a hybrid convolutional neural network through segmentation, transfer learning, and augmentation. Inform Med Unlocked. 2022;28:100819.
  27. Koparde S, Kotwal J, Deshmukh S, Adsure S, Chaudhari P, Kimbahune V. Conditional generative adversarial networks and YOLOv5 Darknet-based skin lesion localization and classification using an independent component analysis model. Inform Med Unlocked. 2024;47:101515.
  28. Padhy S, Dash S, Kumar N, Singh SP, Kumar G, Moral P. Temporal integration of ResNet features with LSTM for enhanced skin lesion classification. Results Eng. 2025;25:104201.
  29. Xin C, Liu Z, Ma Y, Wang D, Zhang J, Li L, et al. Transformer-guided self-adaptive network for multi-scale skin lesion image segmentation. Comput Biol Med. 2024;169:107846.
  30. Sulthana R, Chamola V, Hussain Z, Albalwy F, Hussain A. A novel end-to-end deep convolutional neural network-based skin lesion classification framework. Expert Syst Appl. 2024;246:123056.
  31. Chamarthi S, Fogelberg K, Brinker TJ, Niebling J. Mitigating the influence of domain shift in skin lesion classification: a benchmark study of unsupervised domain adaptation methods. Inform Med Unlocked. 2024;44:101430.
  32. Maity S, Paul S, Guha S, Dasgupta S, Ghosh M. Automated classification of monkeypox skin lesions using a hybrid deep learning model. Biomed Signal Process Control. 2026;126:110955.
  33. Nasir S, Bilal M, Khalidi H. Detection and classification of skin cancer by using CNN-enabled cloud storage data access control algorithm based on blockchain technology. Int J Theor Appl Comput Intell. 2025:145-169.
  34. Saba T. Computer vision for microscopic skin cancer diagnosis using handcrafted and non-handcrafted features. Microsc Res Tech. 2021;84(6):1272-1283.
  35. Fayyad J, Alijani S, Najjaran H. Empirical validation of conformal prediction for trustworthy skin lesion classification. Comput Methods Programs Biomed. 2024;253:108231.
  36. Liu P, Qian W, Li H, Cao J. A relationship-aware mutual learning method for lightweight skin lesion classification. Digit Commun Netw. 2025;11(3):603-612.
  37. Adla D, Reddy GVR, Nayak P, Karuna G. A full-resolution convolutional network with a dynamic graph cut algorithm for skin cancer classification and detection. Healthc Anal. 2023;3:100154.
  38. Thamizhamuthu R, Maniraj SP. Deep learning-based dermoscopic image classification system for robust skin lesion analysis. Trait Signal. 2023;40(3).
  39. Di Giammarco M, Santone A, Cesarelli M, Martinelli F, Mercaldo F. A method for skin lesion detection and localization by means of deep learning and reliable prediction explainability. Image Vis Comput. 2025;162:105675.
  40. Haq IU, Joarder HA, Khan AA, Shi X, Alsayaydeh JAJ, Yusof MFB, et al. XAAI-ledger: an explainable CNN-transformer-based multimodal deep learning framework for early detection of melanoma and non-melanoma skin cancers using dermoscopic and clinical data. Biomed Signal Process Control. 2026;123:110410.
  41. Saeed K, Shehzad M, Malik MGA, Ahmed S, Azar AT. TransXV2S-NET: a novel hybrid deep learning architecture with dual-contextual graph attention for multi-class skin lesion classification. Knowl Based Syst. 2026;337:115407.
  42. AbuAlkebash H, Saleh RAA, Ertunç HM. Automated explainable deep learning framework for multiclass skin cancer detection and classification using hybrid YOLOv8 and vision transformer (ViT). Biomed Signal Process Control. 2025;108:107934.
  43. Hasan MK, Ahamad MA, Yap CH, Yang G. A survey, review, and future trends of skin lesion segmentation and classification. Comput Biol Med. 2023;155:106624.
  44. Li H, Pan Y, Zhao J, Zhang L. Skin disease diagnosis with deep learning: a review. Neurocomputing. 2021;464:364-393.
  45. Wu Y, Chen B, Zeng A, Pan D, Wang R, Zhao S. Skin cancer classification with deep learning: a systematic review. Front Oncol. 2022;12:893972.
  46. Fanconic. Skin cancer: malignant vs benign dataset. Kaggle; 2023. Available from: https://www.kaggle.com/datasets/fanconic/skin-cancer-malignant-vs-benign
  47. Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). New York (NY): ACM; 2016. p. 1135-1144.
  48. Bassel A, Abdulkareem AB, Alyasseri ZAA, Sani NS, Mohammed HJ. Automatic malignant and benign skin cancer classification using a hybrid deep learning approach. Diagnostics (Basel). 2022;12(10):2472.
  49. Bhardwaj A, Rege PP. Skin lesion classification using deep learning. In: Advances in Signal and Data Processing: Select Proceedings of ICSDP 2019. Singapore: Springer; 2021. p. 575-589.
  50. Keerthana D, Venugopal V, Nath MK, Mishra M. Hybrid convolutional neural networks with SVM classifier for classification of skin cancer. Biomed Eng Adv. 2023;5:100069.
  51. Ahmed A, Siam AI, Atwa MA, Atwa EM, Abdelrahim EM, Atlam ES. An explainable YOLO-based deep learning framework for pneumonia detection from chest X-ray images. Algorithms. 2025;18(11):703.
  52. Farsi M, ZainEldin H, Sayed RF, El-Agamy ES, Atlam SA, Alsaedi M, et al. Deep learning for pathology: YOLOv8 with EigenCAM for reliable colorectal cancer diagnostics. Bioengineering (Basel). 2025;12(11):1203.
  53. Atwa EA, Atlam ES, Ahmed A, Atwa MA, Abdelrahim EM, Siam AI. Interpretable deep learning models for arrhythmia classification based on ECG signals using the PTB-XL dataset. Diagnostics (Basel). 2025;15(15):1950.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Больше статей

Объяснимый ИИсверточные нейронные сетиметод опорных векторовинтерпретируемость моделейслияние признаковпредобученная CNNобъяснения LIMEдиагностика заболеваний
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.