arXiv cs.AI· Sami Alnawali, Muhammad Atif Saeed, Abdul Hadi, Azka Atiq, Akhtar Jamil, Ahmad Din·· 13 小时前AI 评分26
可解释深度学习模型用于医学影像乳腺癌诊断：十种 ImageNet 预训练模型基准测试
Interpretable Deep Learning Models for Breast Cancer Diagnosis Using Medical Imaging
AI 导读
研究在 BreakHis 组织病理数据集上按患者级划分基准测试了 ResNet50、VGG19、InceptionV3、DenseNet121、Xception。
正文 · AI 翻译
摘要：深度学习在乳腺癌诊断中展现出前景，但可解释性有限阻碍了临床应用。我们使用患者级划分，在 BreakHis 组织病理学数据集上对十个 ImageNet 预训练模型（ResNet50、VGG19、InceptionV3、DenseNet121、Xception、MobileNetV2、EfficientNet、ConvNeXt、ViT 和 Swin Transformer）进行良性与恶性分类的基准测试，并用 Grad-CAM、LIME、Integrated Gradients 和 LRP 解释其预测。DenseNet121 表现最佳，测试准确率为 99.4%，AUC-ROC 为 0.999，且显著优于所有其他模型（p < 0.001）。基于 Transformer 的模型落后于 CNN。解释结果一致地突出了具有诊断相关性的富含细胞核和腺体区域。因此，将迁移学习与可解释 AI 相结合，可以为乳腺癌诊断产生准确、可解释的工具。
| 评论： | 37 页，45 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37026 [cs.CV] |
| （或 arXiv:2610.37026v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37026 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Muhammad Atif Saeed 先生 [查看电子邮件]
[v1]
2026 年 10 月 27 日星期二 11:01:50 UTC（33,532 KB）
来源：arXiv cs.AI · arxiv.org