可解释人工智能辅助的混合深度学习架构用于糖尿病视网膜病变检测

《Journal of Engineering Research》：Explainable AI assisted hybrid deep learning architecture for diabetic retinopathy detection

　　

研究人员提供了一种关于常规机器学习(ML)与深度学习(DL)方法及其相关方法论和研究挑战在不同应用中的广泛综述。研究人员实现了二值粒子群优化(BPSO, binary particle swarm optimization)算法从糖尿病视网膜病变(DR)图像数据集中选择最优特征，这些特征进一步输入深度神经网络(DNN)模型进行训练，从而获得增强的性能。研究人员识别了影响风险相关DR严重程度等级的关键因素，使临床医生能够做出知情且精确的治疗决策。研究人员利用XAI模型提供关于各维度间相关性的洞察，促进对伴随DR并发症的及时识别与检查，从而实现前瞻性治疗。

研究背景与动机

糖尿病视网膜病变(DR)是糖尿病引起的视网膜小血管与神经元退行性进展性眼病，病程延长显著提升发病风险。国际糖尿病联盟(IDF)数据显示2021年全球20—79岁糖尿病患者达5.37亿，预计2045年增至7.84亿，DR致盲负担持续加重。现有常规机器学习与深度学习检测框架多依赖“黑盒”推理，缺乏解释性、透明性与临床可信度，难以直接支撑分级治疗决策。为解决该问题，研究人员设计了一种可解释人工智能(XAI)辅助的混合BPSO-DNN架构，在Debrecen与IDRID两类数据上分别完成数值特征与眼底图像的双轨二进制DR筛查，并引入SHAP、LIME及Grad-CAM实现决策可追溯。

关键技术方法

研究人员采用两条独立技术路线。数值特征路线使用UCI的DR Debrecen数据集（1151例、19维特征、二分类），预处理用StandardScaler归一化，在每一外层交叉验证折叠内独立运行BPSO（20粒子、25迭代、w=0.72、c1=c2=1.49）以Logistic回归平衡准确率适应度选特征，选中特征送入三层Dense（128-128-64）DNN（ReLU、BatchNorm、Dropout 0.25/0.25/0.125、L2=1×10^-4、Adam、二值交叉熵、阈值0.5）分类。图像路线使用IDRID数据集（训练413、测试103，0级归非DR、1—4级归DR），经灰度裁剪、LAB-CLAHE增强、224×224缩放、ImageNet标准化后，以SqueezeNet 1.1迁移学习提取深度特征，再用BPSO降维，最终由RBF-SVM分类；XAI分别用SHAP、LIME（数值模）与Grad-CAM（图像模）可视化。

研究结果

引言与DR分期：研究人员界定DR分为非增殖型（G1轻度微动脉瘤、G2中度伴出血、G3重度伴渗出、G4极重度）与增殖型（新生血管出血致视力丧失），DME可发生于任一阶段。

文献调查：研究人员综述了集成CNN、DenseNet、贝叶斯NN、MGAN、GCA-EfficientNet及各类群智能优化结合DL的DR检测方案，指出已有方法在成本、计算时长、类别不平衡与解释缺失上的局限。

提出方法—数值模：BPSO以二进制向量表征特征取舍，速度更新含惯性/认知/社会项，sigmoid映射为选择概率，适应度=1?平衡准确率+0.01·(|S|/D)，折叠内分层3折交叉验证防泄漏；DNN结构如前，早停监看验证AUC，ReduceLROnPlateau动态调学习率。

提出方法—图像模：SqueezeNet 1.1取ImageNet预训练权重微调，Focal Loss与加权随机采样处理不平衡，末层特征向量交BPSO筛选后入RBF-SVM，Grad-CAM生成热力图定位微动脉瘤/出血区。

XAI模块：研究人员用SHAP给出全局/局部特征贡献与决策图，用LIME解释单样本正负向驱动特征，用Grad-CAM在IDRID上高亮眼底病变区域，三者共同将黑盒输出转为临床可核对的依据。

结果与讨论（浓缩原文陈述）：研究人员在BPSO-DNN数值模上报告以准确率、灵敏度、特异度、精确率、F1为指标评估；图像模以SqueezeNet+BPSO+SVM配合Grad-CAM达成二进制筛查与可视化。原文结论指出，BPSO降维在保持或提升分类性能的同时削减特征规模，DNN与SVM分别适配数值与图像模态，XAI使微动脉瘤、出血、渗出等病变区域及数值特征（如特征2—7微动脉瘤水平、8—15渗出水平、16—17视盘距离/直径）的贡献得以量化，满足FDA/FMA类监管对透明性的期待，可辅助临床医生在病程早期识别风险并制定精确治疗。

研究结论翻译与总结

研究人员得出结论：所提XAI辅助BPSO-DNN混合架构在DR二进制检测中兼顾性能与可解释性；BPSO在折叠内独立特征选择避免信息泄漏，DNN以轻量结构获高效数值分类；IDRID路线上SqueezeNet-BPSO-SVM配Grad-CAM实现图像端筛查与病变定位；SHAP、LIME、Grad-CAM将模型判断锚定至微动脉瘤、出血、渗出及视盘几何等临床特征，使AI决策可被核查、信任与采纳，对早期DR风险分层与前瞻治疗具有直接临床意义。论文发表于《Journal of Engineering Research》。