Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification

要約

肺がんと結腸がんは世界的に深刻な健康問題であり、死亡リスクを軽減するには早期かつ正確な特定が必要です。
しかし、診断は主に病理組織医の能力に依存しており、専門知識が不十分な場合には困難と危険が伴います。
画像検査や血液マーカーなどの診断方法は早期発見に貢献しますが、時間がかかり、観察者間の間違いが起こりやすいにもかかわらず、組織病理学が依然としてゴールドスタンダードです。
ハイエンド技術へのアクセスが制限されているため、患者が即時医療や診断を受ける能力はさらに制限されています。
深層学習の最近の進歩により、医療画像解析への応用、特に肺がんや結腸がんの診断における組織病理学的画像の使用への関心が高まっています。
この調査の目標は、Xception、DenseNet201、ResNet101、InceptionV3、DenseNet121、DenseNet169、ResNet152、InceptionResNetV2 などの既存の事前トレーニング済み CNN ベースのモデルを使用および適応させ、より優れた拡張戦略を通じて分類を強化することです。
結果は大幅な進歩を示し、8 つのモデルすべてが 97% から 99% の範囲の驚異的な精度に達しました。
さらに、GradCAM、GradCAM++、ScoreCAM、Faster Score-CAM、LayerCAM、さらに Vanilla Saliency や SmoothGrad などのアテンション視覚化技術を使用して、モデルの分類決定に対する洞察を提供し、悪性と良性の解釈可能性と理解を向上させます。
画像分類。

要約(オリジナル)

Lung and colon cancer are serious worldwide health challenges that require early and precise identification to reduce mortality risks. However, diagnosis, which is mostly dependent on histopathologists’ competence, presents difficulties and hazards when expertise is insufficient. While diagnostic methods like imaging and blood markers contribute to early detection, histopathology remains the gold standard, although time-consuming and vulnerable to inter-observer mistakes. Limited access to high-end technology further limits patients’ ability to receive immediate medical care and diagnosis. Recent advances in deep learning have generated interest in its application to medical imaging analysis, specifically the use of histopathological images to diagnose lung and colon cancer. The goal of this investigation is to use and adapt existing pre-trained CNN-based models, such as Xception, DenseNet201, ResNet101, InceptionV3, DenseNet121, DenseNet169, ResNet152, and InceptionResNetV2, to enhance classification through better augmentation strategies. The results show tremendous progress, with all eight models reaching impressive accuracy ranging from 97% to 99%. Furthermore, attention visualization techniques such as GradCAM, GradCAM++, ScoreCAM, Faster Score-CAM, and LayerCAM, as well as Vanilla Saliency and SmoothGrad, are used to provide insights into the models’ classification decisions, thereby improving interpretability and understanding of malignant and benign image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google