集成多实例学习的可解释Transformer模型用于视网膜疾病多标签分类
《IEEE Journal of Biomedical and Health Informatics》:Explainable Transformer-Based Retinal Disease Classification
【字体:
大
中
小
】
时间:2026年10月14日
来源:IEEE Journal of Biomedical and Health Informatics 7.7
编辑推荐:
摘要:视网膜疾病是全球致盲的主要原因之一。早期检测对于有效管理至关重要,近年来眼科影像技术和深度学习的进步推动了自动化诊断系统的发展。传统的深度学习方法往往难以有效捕捉视网膜的整体结构上下文以及多标签分类所需的细微局部病理特征。此外,其决策过程通常缺乏透明度,限制了临床信任
摘要:
视网膜疾病是全球致盲的主要原因之一。早期检测对于有效管理至关重要,近年来眼科影像技术和深度学习的进步推动了自动化诊断系统的发展。传统的深度学习方法往往难以有效捕捉视网膜的整体结构上下文以及多标签分类所需的细微局部病理特征。此外,其决策过程通常缺乏透明度,限制了临床信任与采用。在本研究中,我们提出了一种可解释的基于Transformer的微调模型用于视网膜疾病分类,该模型采用视觉Transformer架构并集成了多实例学习(MIL)机制。该模型在多标签视网膜疾病(MuReD)数据集上进行微调,能够同时预测多种共存的病理状况。在MuReD数据集上的实验评估表明,所提出的微调MIL-VT模型达到了最先进的性能,其多标签F1(ML_F1)得分为0.672,较近期基于Transformer的基线方法提高了约10个百分点,同时多标签mAP(ML_mAP)更高,AUC分数相当。此外,我们还在独立的眼疾病图像(EDI)数据集上评估了模型性能,其保持了较高的准确率,宏平均F1达到约0.92,突显了其在跨数据集上的鲁棒泛化能力。消融实验进一步验证了MIL头和选择性微调策略的有效性,表明它们对性能提升有显著贡献。为增强临床可解释性,我们引入了Grad-CAM可视化,用以突出与每种预测病症相关的病理区域。更优的分类性能、可解释性和跨数据集鲁棒性的结合,凸显了所提框架的潜力,其……
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号