基于GAN增强的混合深度学习结合可解释性人工智能技术，用于自动白内障诊断

《Journal of Medical Systems》：GAN-Enhanced Hybrid Deep Learning with Explainable AI for Automated Cataract Diagnosis

猫眼症检测中提出融合生成式AI与可解释AI的改进深度学习模型，通过合成数据增强多样性并解决类别不平衡，结合InceptionResNetV2与Grad-CAM可视化技术，验证模型准确率达97.58%，显著提升临床检测透明度和泛化能力。

　　

摘要

白内障是最常见的眼部疾病之一，由于眼睛自然晶状体变得混浊而导致视力下降。及时诊断对于防止不可逆的损伤至关重要。尽管现有的自动化系统非常有效，但它们仍存在一些问题，如数据集种类有限、缺乏可解释性以及在现实场景中的泛化能力不足。本研究提出了一种基于深度学习的新方法，该方法结合了生成式人工智能（GenAI）和可解释人工智能（XAI）来提高白内障的检测能力。所提出的方法利用了一个经过微调的InceptionResNetV2模型，并增加了额外的层；该模型在由六个开源数据集合并而成的混合数据集上进行训练，同时使用了通过生成对抗网络（GANs）生成的合成图像。类别权重用于解决数据不平衡问题，而分层K折交叉验证则确保了评估的稳健性。我们的系统通过梯度加权类别激活映射（Grad-CAM）热图提供图形化解释，从而支持临床工作的透明度和可靠性。模型评估结果显示，平均K折准确率为97.58%，标准差为0.0040，95%的置信区间（CI）为（0.9702, 0.9814）。在外部数据集上，模型的总体准确率为97%，AUC为0.9944；对于白内障类别，精确度为96%，召回率（敏感性）为94%，F1分数为95%。通过结合合成图像和可解释人工智能，我们的方法增强了数据多样性，解决了类别不平衡问题，减少了对大型标注数据集的依赖，并提高了可解释性，便于专家进行验证，从而增强了临床信任度，使其优于现有的白内障检测系统。