Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification

肺癌和结肠癌是严重的全球性健康挑战，需要早期和精确的识别以降低死亡风险。然而，诊断主要依赖于组织病理学家的能力，当专业知识不足时，会出现困难和危险。虽然像影像和血液标志物等诊断方法有助于早期发现，但组织病理学仍然是金标准，尽管耗时且容易出现观察者间的错误。有限的高端技术访问进一步限制了患者接受即时医疗护理和诊断的能力。深度学习的最新进展引起了人们对其在医学影像分析中的应用的兴趣，特别是使用组织病理学图像诊断肺癌和结肠癌。本研究的目的是使用和改进现有的预训练CNN模型，如Xception、DenseNet201、ResNet101、InceptionV3、DenseNet121、DenseNet169、ResNet152和InceptionResNetV2，通过更好的数据增强策略来增强分类。结果显示出巨大的进展，所有八个模型的准确率都达到了97%至99%的惊人水平。此外，还使用了注意力可视化技术，如GradCAM、GradCAM++、ScoreCAM、Faster Score-CAM和LayerCAM，以及Vanilla Saliency和SmoothGrad，以提供关于模型分类决策的见解，从而提高恶性和良性图像分类的可解释性和理解性。

论文旨在通过使用深度学习算法，特别是卷积神经网络（CNN），来改进肺癌和结肠癌的组织学图像分类，以提高早期诊断的准确性和效率。

论文使用预训练的CNN模型，如Xception、DenseNet201、ResNet101、InceptionV3、DenseNet121、DenseNet169、ResNet152和InceptionResNetV2，并采用更好的数据增强策略来增强分类性能。此外，采用注意力可视化技术来提高恶性和良性图像分类的可解释性和理解。

论文的实验表明，所有八个CNN模型的准确性都在97％至99％之间，取得了巨大的进展。此外，注意力可视化技术可以提供有关模型分类决策的见解，从而提高恶性和良性图像分类的可解释性和理解。

最近在这个领域中，还有一些相关的研究，如“Deep Learning for Lung Cancer Detection: Tackling the Imbalance Between Small and Large CT Scans”和“Colon Cancer Detection using Deep Learning: A Review”。