DCSNet: A Lightweight Knowledge Distillation-Based Model with Explainable AI for Lung Cancer Diagnosis from Histopathological Images

要約

肺がんは、生存率を改善するために早期発見と正確な診断が重要である世界的に癌関連の死亡の主な原因です。
深い学習、特に畳み込みニューラルネットワーク（CNNS）は、初期段階の肺癌を示す微妙なパターンを検出することにより、医療画像分析に革命をもたらしましたが、その採用は課題に直面しています。
これらのモデルは多くの場合、計算上高価であり、重要なリソースを必要とするため、リソースが制約された環境には適していません。
さらに、彼らの透明性の欠如は、ヘルスケアのような繊細な分野での信頼とより広範な採用を妨げます。
知識の蒸留は、知識を大きく複雑なモデル（教師）から小型の軽量モデル（学生）に移転することにより、これらの課題に対処します。
モデルの透明性を高めるために、説明可能なAI（XAI）技術を組み込んだ肺がん検出のための知識蒸留ベースのアプローチを提案します。
ResNet50、EfficientNetB0、EfficientNetB3、およびVGG16を含む8つのCNNが教師モデルとして評価されます。
ResNet50を教師として使用して、軽量の学生モデルを開発および訓練しました。
このアプローチは、リソースに制約のある設定での高い診断パフォーマンスを保証するだけでなく、透明性の懸念にも対処し、ヘルスケアにおけるAI主導の診断ツールの採用を促進します。

要約(オリジナル)

Lung cancer is a leading cause of cancer-related deaths globally, where early detection and accurate diagnosis are critical for improving survival rates. While deep learning, particularly convolutional neural networks (CNNs), has revolutionized medical image analysis by detecting subtle patterns indicative of early-stage lung cancer, its adoption faces challenges. These models are often computationally expensive and require significant resources, making them unsuitable for resource constrained environments. Additionally, their lack of transparency hinders trust and broader adoption in sensitive fields like healthcare. Knowledge distillation addresses these challenges by transferring knowledge from large, complex models (teachers) to smaller, lightweight models (students). We propose a knowledge distillation-based approach for lung cancer detection, incorporating explainable AI (XAI) techniques to enhance model transparency. Eight CNNs, including ResNet50, EfficientNetB0, EfficientNetB3, and VGG16, are evaluated as teacher models. We developed and trained a lightweight student model, Distilled Custom Student Network (DCSNet) using ResNet50 as the teacher. This approach not only ensures high diagnostic performance in resource-constrained settings but also addresses transparency concerns, facilitating the adoption of AI-driven diagnostic tools in healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google