摘要

本文介绍了一种基于人工智能的工具，用于通过远程皮肤病学提高基底细胞癌（BCC）诊断的可解释性。该工具结合了Grad-CAM技术和高水平专家标注，以增强诊断的透明度和准确性。通过识别图像中的主要BCC皮损模式，并利用基于期望最大化（EM）算法的共识参考，该工具实现了90%的BCC/非BCC分类准确率和99%的临床相关BCC模式检测准确率。此外，该工具通过临床启发的可视化解释，帮助医疗专业人员理解AI模型的决策过程，从而加速转诊并优化资源利用。

原理

该AI工具的核心工作原理基于深度学习模型MobileNet-V2，结合了Grad-CAM（梯度加权类激活映射）技术，以提供视觉解释。Grad-CAM通过分析模型在做出预测时关注的图像区域，生成热图，突出显示对诊断至关重要的特征。此外，该工具利用了基于EM算法的共识参考，从多位皮肤科医生的标注中推导出标准参考，以解决BCC皮损模式的主观性和不一致性。这种结合了深度学习和专家知识的综合方法，显著提高了诊断的准确性和可解释性。

流程

该AI工具的工作流程包括以下几个关键步骤：

1. 数据准备：从60个初级保健中心收集的1559张皮损图像，由四位皮肤科医生进行标注和分割。
2. 模型训练：使用MobileNet-V2模型进行迁移学习，通过三阶段优化策略进行训练，包括初始训练、微调和模式检测。
3. 临床启发XAI：结合Grad-CAM技术，生成临床相关的可视化解释，帮助医疗专业人员理解模型关注的皮损区域。
4. 性能评估：通过交叉验证和多种评估指标（如召回率、特异性、精确度和准确性），评估模型的分类和模式检测性能。

例如，在图3中，展示了皮肤科医生对BCC皮损模式的分割示例，这些分割区域随后与Grad-CAM热图叠加，以验证模型的解释准确性。

应用

该AI工具在远程皮肤病学领域具有广泛的应用前景。它不仅能够提高BCC的早期检测和转诊效率，还能通过提供详细的临床解释，增强医疗专业人员对AI诊断的信任和接受度。此外，该工具的临床启发解释功能，使其在资源有限或专家稀缺的地区尤为重要，有助于改善全球皮肤癌的诊断和治疗。