用于检测和分类多种视网膜疾病的可解释人工智能模型：基于混合CNN-Transformer-集成架构的设计

《ACM Transactions on Computing for Healthcare》：Interpretable AI Models for Detecting and Classifying Multiple Retinal Conditions Using Hybrid CNN-Transformer-Ensemble Architectures

视网膜疾病诊断AI系统通过整合CNN、Transformer和集成模型，利用合成数据集解决样本量不足和类别不平衡问题，在21类疾病分类中表现优于现有方法，并引入SHAP解释提升模型可信度，以促进偏远地区医疗资源公平分配。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

视网膜疾病影响着全球相当一部分人口，然而专门的护理主要分布在城市地区。我们开发了基于人工智能的方法，利用眼底图像来诊断各种视网膜疾病，以解决这一不平衡问题。我们的目标是创建一个高度准确的自动检测系统，以缩小患者与有限的视网膜专家之间的差距。在多标签分类任务中，关键挑战包括每个标签的样本量有限以及类别分布不平衡。为了克服这些问题并提高数据多样性，我们通过聚合多个开源数据集创建了三个复合数据集（MRID）。我们开发了混合模型，整合了深度卷积神经网络（CNN）、Transformer编码器和集成架构，将视网膜眼底图像分类为21个不同的标签。与基线方法和现有的最先进模型相比，我们的模型表现更为出色，在评估指标上有了显著改进。通过在特定混合模型中使用的Vision Transformers的补丁提取步骤中加入领域知识，进一步提升了性能。为了解决用户信任和模型可解释性问题，我们实现了基于SHAP的解释，并将这些解释与评估指标一起用于跨数据集的模型性能比较分析。这项研究旨在推进视网膜疾病的诊断，在服务不足的地区提供可获得的医疗解决方案，同时确保疾病的准确和全面预测。

人工智能摘要

人工智能生成的摘要（实验性）

该摘要是使用自动化工具生成的，未经文章作者的撰写或审核。它旨在支持发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解这项工作。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。