AI-Driven Skin Cancer Diagnosis: Grad-CAM and Expert Annotations for Enhanced Interpretability

一种AI工具已经被开发出来，可以通过远程皮肤科诊断为BCC提供可解释的支持，从而加速转诊和优化资源利用。该工具提供了两种可解释性：一方面，在图像中找到主要的BCC皮肤镜模式，以证明BCC/非BCC分类的合理性。其次，基于常见的视觉可解释性Grad-CAM，开发了一种临床启发式的视觉解释，可以定位诊断所需的相关特征。由于没有关于BCC皮肤镜特征的确立基准，因此使用基于期望最大化（EM）的算法从四名皮肤科医生的诊断中推断出标准参考。结果表明，在早期BCC检测和转诊至皮肤科医生方面，该方法在分类准确性和可解释性方面均有显著改进，因此是一种有价值的工具。BCC/非BCC分类的准确率达到90％。对于临床启发式的XAI结果，对临床医生有用的BCC模式检测达到了99％的准确率。至于临床启发式的视觉XAI结果，手动分割的临床特征内Grad-CAM归一化值的平均值为0.57，而在该区域之外为0.16。这表明该模型难以准确识别BCC模式的区域。这些结果证明了AI工具提供有用解释的能力。

论文旨在通过可解释性支持，利用人工智能工具对基底细胞癌进行远程皮肤科诊断，从而加速转诊并优化资源利用。该方法的关键问题在于如何找到基底细胞癌的皮肤镜图像特征。

论文的关键思路是通过基于常见可视化方法Grad-CAM的临床启发式视觉解释，定位诊断所需的相关特征。由于没有基底细胞癌皮肤镜图像特征的已知标准，因此该方法通过期望最大化算法从四名皮肤科医生的诊断中推断出标准参考。

实验结果表明，该人工智能工具在基底细胞癌/非基底细胞癌分类方面取得了90%的准确率。对于临床启发式视觉解释结果，基底细胞癌模式的检测准确率达到了99%。此外，该模型在定位基底细胞癌特征区域方面存在一定的局限性。论文的亮点在于提供了一个有价值的工具，可以帮助早期诊断基底细胞癌并转诊给皮肤科医生。

最近在这个领域中，还有一些相关的研究，如基于深度学习的皮肤癌诊断方法（Skin Lesion Analysis Towards Melanoma Detection）、基于卷积神经网络的皮肤癌诊断方法（Automated Skin Lesion Classification With Ensemble Deep Learning Methods）等。