[論文レビュー] Explainable AI based Glaucoma Detection using Transfer Learning and LIME

Touhidul Islam Chayan, Anita Islam+4 more|arXiv (Cornell University)|Oct 7, 2022

Retinal Imaging and Analysis被引用数 8

ひとこと要約

本稿では、ResNet50を用いた転移学習ベースの緑内障検出モデルを提案し、検証精度94.71％を達成した。また、深層学習のブラックボックス性を解消するため、解釈性を高めるためにLIMEを統合した。このシステムにより、スクリーニング画像における予測に影響を与える重要な特徴を可視化することで、臨床的信頼性が向上した。

ABSTRACT

Glaucoma is the second driving reason for partial or complete blindness among all the visual deficiencies which mainly occurs because of excessive pressure in the eye due to anxiety or depression which damages the optic nerve and creates complications in vision. Traditional glaucoma screening is a time-consuming process that necessitates the medical professionals' constant attention, and even so time to time due to the time constrains and pressure they fail to classify correctly that leads to wrong treatment. Numerous efforts have been made to automate the entire glaucoma classification procedure however, these existing models in general have a black box characteristics that prevents users from understanding the key reasons behind the prediction and thus medical practitioners generally can not rely on these system. In this article after comparing with various pre-trained models, we propose a transfer learning model that is able to classify Glaucoma with 94.71\% accuracy. In addition, we have utilized Local Interpretable Model-Agnostic Explanations(LIME) that introduces explainability in our system. This improvement enables medical professionals obtain important and comprehensive information that aid them in making judgments. It also lessen the opacity and fragility of the traditional deep learning models.

研究の動機と目的

• 手作業によるスクリーニングに依存するのを減らすために、緑内障分類を自動化する。
• 医療従事者にモデル予測の解釈可能なインサイトを提供し、AIベース診断への信頼を高める。
• 手作業による評価を置き換える解釈可能なAIシステムにより、負担と人為的ミスを軽減する。
• 特に開口隅緑内障の早期発見を改善し、回復不能な視力障害を防ぐ。
• 深層学習モデルの不透明性を解消するため、局所的解釈可能なモデル・アーギョスティック解釈（LIME）を統合して特徴レベルでの解釈性を向上させる。

提案手法

• ベンチマーク用の緑内障眼底画像データセットを用いて、事前学習済みのCNNモデル（VGG-16, VGG-19, DenseNet121, InceptionV3, ResNet50）を微調整した。
• ImageNetで事前学習された重みを用いた転移学習を実施し、50エポックの訓練スケジュールで緑内障分類に適応した。
• モデル訓練の最適化に、基本学習率1e-5を用いたAdam最適化手法を採用した。
• 入力画像を摂動させ、特徴の寄与度を分析することで、局所的かつインスタンスレベルの説明を生成するLIMEを適用した。
• 分類意思決定に最も寄与する眼底画像の領域を強調する可視化サリエンシーマップを生成した。
• 精度、損失、および緑内障・非緑内障両クラスにおける誤分類率を用いて、モデル性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 転移学習を用いた場合、眼底画像における緑内障検出において、どの事前学習済みディープラーニングモデルが最も優れた性能を示すか？
• RQ2 LIMEは、ディープラーニングベースの緑内障検出システムにおける解釈性をどのように向上させるか？
• RQ3 LIMEの統合が、AI駆動の緑内障診断における臨床的信頼性をどの程度向上させるか？
• RQ4 モデルアーキテクチャの違いが、緑内障分類タスクにおける汎化性能および過学習に与える影響は何か？
• RQ5 誤分類された画像は、正しく分類されたものと比較して、特徴の重要度パターンにどのような相違を示すか？

主な発見

• ResNet50が94.71％の最高検証精度を記録し、VGG-19（93.31％）、VGG-16（88.63％）、InceptionV3（86.42％）、DenseNet121（86.81％）を上回った。
• ResNet50は検証セットで誤分類がゼロで、緑内障および非緑内障両クラスともに100％の精度を達成した。
• VGG-19は93.31％の検証精度を示し、テストセットでもわずか3例の誤分類にとどまった。
• LIMEは、予測に最も寄与する眼底画像の領域を特定することで、局所的かつ人間が理解可能な説明を成功裏に生成した。
• モデルの予測は視覚的に説明可能であり、LIMEは緑内障検出の主要な特徴として視神経乳頭および杯領域を特定した。
• LIMEの統合により、モデルの不透明性が顕著に低減され、臨床医が眼底画像の解剖学的ランドマークに基づいて予測を検証できるようになった。