融合ResNet-50与因果性临床概念推理的模糊认知可解释人工智能框架，用于皮肤病变检测

《Scientific Reports》：Fuzzy cognitive explainable AI framework integrating ResNet-50 and causal clinical concept reasoning for skin lesion detection

　　

摘要

黑色素瘤是最具侵袭性的皮肤癌类型之一，通过皮肤镜图像尽早检测它仍是一项重大的临床挑战。深度学习中的卷积神经网络在医学图像分析领域取得了显著成果。然而，这类模型的复杂性使得其在临床应用中面临信任度问题。临床医生不仅需要准确的预测结果，还需要能够理解这些预测背后的原因。虽然有Grad-CAM和SHapley加性解释等方法可用于事后解释，但存在明显缺陷——它们生成的只是低级别的像素级显著性图，无法与皮肤科医生实际使用的ABCD标准（不对称性、边界、颜色和直径）建立有效关联。目前还没有任何框架能够体现这些概念之间的因果关系，也无法量化当预测结果与模型解释不一致时所产生的不确定性。本研究通过一种两阶段混合框架——模糊认知可解释人工智能（FC-XAI）来弥补这一缺陷。第一阶段，使用ResNet-50模型进行黑色素瘤检测；第二阶段，借助SHAP技术识别出关键的图像区域，并将其映射到高级别的临床概念上。这些概念构成了模糊认知图（FCM）的节点，而FCM是一种基于图的动态模型，能够实现结构化的概念级推理。该FC-XAI框架在ISIC黑色素瘤数据集上进行了测试：基础深度学习模型的恶性类别AUC值为0.9832（95%置信区间：[0.90, 1.00]），准确率为84%，召回率为80%。通过FCM生成的解释则提供了清晰、结构化的概念级说明（例如，高度的不对称性和边界不规则性会显著增加恶性概率）。不确定性指标显示，中等不确定性场景下的准确率为82.4%，而低不确定性场景下仅为57.1%，这一结果对临床分类具有直接指导意义。在PH2数据集上的外部实验也得到了类似结果：AUC值为0.9498，且FCM解释具有临床合理性，表明该框架具备良好的跨数据集泛化能力。通过将预测型深度学习模型与透明的结构化概念级因果模型相结合，FC-XAI为构建可靠的皮肤科人工智能系统迈出了重要一步。