[论文解读] Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification

Mukaffi Bin Moin, Fatema Tuj Johora Faria+3 more|arXiv (Cornell University)|May 7, 2024

Radiomics and Machine Learning in Medical Imaging被引用 4

一句话总结

本研究提出了一种混合深度学习与可解释人工智能（XAI）框架，用于使用组织病理学图像自动分类肺癌和结肠癌。该研究评估了八种预训练的卷积神经网络（如Xception、DenseNet201），结合数据增强技术，并应用Grad-CAM和SmoothGrad等XAI技术以增强模型的可解释性，实现了高达99.89%的准确率，并清晰可视化了决策过程。

ABSTRACT

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.

研究动机与目标

• 解决全球范围内肺癌和结肠癌早期且准确诊断的迫切需求，这两种癌症仍是癌症相关死亡的主要原因。
• 通过使用深度学习自动化分类，克服基于组织病理学诊断的局限性，如观察者间差异和对专家病理科医生的依赖。
• 通过整合多种XAI技术，提升医学影像中模型的可解释性，可视化癌症分类中的决策过程。
• 弥合在组织病理学图像上应用可解释人工智能进行肺癌和结肠癌分类的差距，提升临床信任度与采纳率。
• 在标准化设置下评估并比较八种最先进的预训练CNN架构的性能，以识别最有效的癌症检测模型。

提出的方法

• 采用八种预训练的CNN架构——Xception、DenseNet121、DenseNet169、DenseNet201、InceptionV3、ResNet101、ResNet152和InceptionResNetV2——在组织病理学图像数据集上进行迁移学习。
• 应用先进的数据增强策略，以提高模型在训练集和验证集上的泛化能力和鲁棒性。
• 整合多种XAI技术：Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM、LayerCAM用于类激活图，以及Vanilla Saliency和SmoothGrad用于显著性图。
• 利用类激活图和显著性图可视化组织病理学图像中的判别区域，突出显示对恶性与良性分类至关重要的特征。
• 使用标准指标评估模型性能：准确率、精确率、召回率、F1分数、Jaccard分数和对数损失，以量化分类效果。
• 将所有代码和训练好的模型公开托管在GitHub上，以确保可复现性并促进社区访问。

Figure 1: Representation of LC25000 dataset

实验结果

研究问题

• RQ1 在组织病理学图像中，哪种预训练的CNN架构在肺癌和结肠癌分类中达到最高的准确率？
• RQ2 不同的可解释人工智能技术（如Grad-CAM、SmoothGrad）在医学图像分类中如何增强深度学习模型的可解释性？
• RQ3 XAI方法在多大程度上改善了组织病理学图像中判别区域的可视化，以支持癌症诊断？
• RQ4 在本医学影像任务中，不同CNN架构在模型准确率与可解释性之间存在怎样的性能权衡？
• RQ5 XAI技术的集成是否能够提升临床医生的信任度，并促进自动化癌症诊断中的临床决策支持？

主要发现

• Xception在本研究中实现了99.89%的最高准确率和0.0384的最低对数损失，优于所有其他模型。
• DenseNet201实现了99.71%的准确率，同时具备出色的精确率（99.71%）、召回率（99.71%）和F1分数（99.71%），表明其性能高度一致。
• InceptionResNetV2表现最差，准确率为97.65%，对数损失最高（0.8458），表明其置信度较低且错误率较高。
• Grad-CAM、Grad-CAM++和SmoothGrad生成了高质量的类激活图和显著性图，清晰突出了组织样本中的恶性区域。
• XAI技术的整合使得组织病理学图像中关键判别特征的可视化成为可能，提升了模型的透明度与临床可解释性。
• 混淆矩阵证实所有模型均具有高特异性和高敏感性，Xception在肺癌和结肠癌分类中均表现出近乎完美的类别分离。

Figure 2: Representation of our proposed methodology for lung and colon cancer classification using explainable AI techniques