《Engineering Applications of Artificial Intelligence》：An explainable fine-tuned transfer learning approach for multi-classification of skin cancer disease
编辑推荐：
作者：Ishwari Singh Rajput、Anuj Kumar、Jeewan Singh Koranga、Megha Papola、Tanuja Bisht、Tanay Pratap Singh
印度北阿坎德邦哈尔德瓦尼市Graphic Era Hill大学计算机科学与工程
作者：Ishwari Singh Rajput、Anuj Kumar、Jeewan Singh Koranga、Megha Papola、Tanuja Bisht、Tanay Pratap Singh
印度北阿坎德邦哈尔德瓦尼市Graphic Era Hill大学计算机科学与工程系
摘要
皮肤癌是全球最常见的癌症之一。由于病变类型之间的视觉相似性以及深度学习模型解释能力的局限性，早期检测仍然具有挑战性。本文提出了一种创新方法，通过结合可解释人工智能（XAI）和深度卷积神经网络（CNN）的迁移学习概念，实现皮肤癌的自动分类。为了提高视觉清晰度和对比度，使用包含约10,000张训练图像的Human Against Machine（HAM10000）数据集，并对其进行去噪自编码器和对比度受限自适应直方图均衡化（CLAHE）预处理。所提出的方法利用三个预训练模型——残差网络-50（ResNet-50）、视觉几何组-16（VGG16）和Inception-V3的高度先进特征提取能力，确保了皮肤癌诊断的准确性。随后，使用定制的深度神经网络（DNN）分类器将融合提取的特征分为七个独特类别，包括黑色素瘤、基底细胞癌等。此外，还采用了局部可解释模型不可知解释（LIME）技术，为模型预测提供视觉洞察，以提高解释性并增强决策过程的信心。该模型的分类准确率为95.23%，优于单独的预训练基线模型。同时进行了敏感性分析，以评估不同超参数对模型性能的影响。分析表明，模型在敏感性分析中保持了稳定的精确度和召回率。本文展示了深度学习与可解释人工智能的集成，用于开发可靠、透明且具有临床实用性的皮肤癌诊断工具。
引言
皮肤癌有多种形式，如黑色素瘤、鳞状细胞癌（SCC）和基底细胞癌（BCC），通常由异常皮肤细胞的不受控制的增殖引起。约80%的病例为BCC，其生长较慢；16%的病例为SCC，更具侵袭性且具有扩散潜力（Shah等人，2023年）。约4%的病例为黑色素瘤，这是最危险的类型，具有高度的扩散潜力。根据美国癌症协会的数据，2025年，皮肤癌的估计病例数和死亡人数分别为11,2690例和14,110例（美国癌症协会，2025年）。
传统治疗方法包括手术、冷冻疗法、局部治疗、放射疗法和化疗，这些方法的效果各不相同，并可能引起疤痕和皮肤异常等副作用。治疗选择取决于癌症类型、位置和阶段（Ramkumar等人，2024年）。切除手术通过切除恶性组织及其周围的健康组织来治疗；Mohs手术则逐层切除皮肤并检查，直到找不到癌细胞。其他技术包括刮除术和电干燥术（用电针处理病变），以及冷冻疗法（使用液氮冷冻并消除癌细胞）。当手术不可行时，会采用放射疗法和化疗来破坏或限制癌细胞的增殖（Zhang等人，2024年）。
化疗和放射疗法会导致疤痕、色素沉着和局部刺激，影响患者的整体健康和生活质量。如果能在早期发现皮肤癌，及时治疗可以避免这些并发症。手动检测非常耗时且容易出错。因此，迫切需要一种能够帮助病理学家高信心地检测各种类型皮肤癌的自动化诊断模型（Mazhar等人，2023年）。
近年来，机器学习和深度学习通过改善诊断、治疗和患者护理，彻底改变了医疗行业。然而，这些模型需要大量的标注数据集，而在医学领域这类数据集非常有限。为了解决这个问题，迁移学习概念在医学领域得到了广泛应用，因为它即使在小数据集下也能提高准确性。尽管如此，这些模型的预测结果仍难以解释。因此，现在采用了XAI概念，以提供模型决策的洞察力，从而增加透明度和信任度。这两种概念在提高皮肤疾病分类的可解释性和精确性方面展示了巨大潜力。迁移学习使用预训练的CNN模型来检测模式和识别相关特征；XAI通过使决策过程透明和易于理解，帮助医疗从业者理解和信任诊断结果（Mohammed等人，2024年）。LIME和SHapley加性解释（SHAP）提供了详细的特征重要性解释和视觉热图，帮助从业者理解预测背后的逻辑（Saranya和Subhashini，2023年）。这种可解释性不仅提高了模型准确性，还通过促进透明度推动了AI的伦理应用。
受这些优势的启发，本文提出了一种基于迁移学习的方法，结合LIME XAI技术来检测和分类皮肤疾病。该框架在HAM10000皮肤图像数据集上进行了验证，该数据集包含10,015张属于七个不同类别的标记图像。
与仅独立使用迁移学习或可解释AI进行皮肤癌分类的现有研究不同，本文提出的方法整合了双阶段图像增强（使用DAE和CLAHE）、多模型深度特征融合（使用三种互补的CNN架构ResNet-50、VGG16和InceptionV3），以及一个定制的DNN分类器，用于多类皮肤癌分类。多个CNN架构的融合使模型能够捕捉到互补特征，如纹理模式、病变形状和高级语义特征，从而提高了分类性能。此外，该框架还结合了基于LIME的可解释性和系统的敏感性分析，以评估模型的鲁棒性和可解释性。这一综合框架不仅提高了分类准确性，还增强了模型的透明度和临床可靠性。本文的主要贡献如下：
- •
使用HAM10000数据集开发用于多类皮肤癌分类的微调迁移学习框架。
- •
评估三个预训练模型ResNet50、VGG16和InceptionV3在特征提取和分类方面的表现。
- •
整合基于LIME的可视化解释，以提高模型的可解释性和临床适用性。
本文的其余部分安排如下：第2节讨论相关工作，第3节概述初步概念，第4节介绍提出的方法，第5节包含实验结果和讨论，第6节总结未来发展方向。
章节片段
文献综述
多篇研究文章提出了使用各种深度学习方法检测皮肤癌的模型。本节简要介绍了这些研究的工作方法、优势和局限性。
Akilandasowmya等人（2024年）使用沙猫群优化和ResNet50（SCSO-ResNet50）来确保预测的准确性。他们从Kaggle皮肤癌数据集和ISIC 2019数据集中提取了隐藏特征。此外，还使用了集成分类器（如Naive...
初步准备
本节介绍了用于开发多类皮肤癌分类模型的各种工具和技术。
提出的方法
所提出的方法包括一个分阶段的线性流程，如图2所示。流程从数据收集开始，然后进行各种预处理步骤，包括图像调整大小、增强以及使用DAE和CLAHE进行图像增强。为了准确预测疾病，采用了迁移学习概念，使用了三个预训练的CNN模型——InceptionV3、ResNet50和VGG16。选择这些模型是基于它们的特征提取能力...
实验结果与设置
本节讨论了实验设置、结果以及用于评估方法性能的各种指标。所有实验都在配备Intel Core i7处理器（32 GB RAM）和NVIDIA RTX 4060 GPU的机器上进行，以实现高效处理。模型在GPU上每张图像的推理时间很短，表明其适用于近实时的临床决策支持应用。该模型使用Python 3.12版本实现...
结论与未来方向
由于病变类型的相似性，皮肤癌诊断对医疗专家来说仍然是一个挑战，这需要一种可靠且自动化的机制。本文提出了一种可解释的微调迁移学习方法，用于皮肤癌分类，并结合了多种预处理步骤，如图像调整大小、数据增强、图像去噪和增强。该方法的性能优于三个预训练的CNN模型VGG-16和ResNet50...
CRediT作者贡献声明
Ishwari Singh Rajput：撰写初稿、可视化、方法论、研究、概念化。Anuj Kumar：正式分析、数据管理。Jeewan Singh Koranga：验证、软件、资源管理、方法论、研究、正式分析。Megha Papola：撰写初稿、可视化、验证、概念化。Tanuja Bisht：撰写与编辑、撰写初稿、软件管理、资源管理、方法论。Tanay Pratap Singh：软件管理、方法论、研究...
AI使用声明
使用了ChatGPT-3.5和4.0来改进语言表达和清晰度。作者已审核并批准了最终版本。
利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
