Enhanced Multi-Class Classification of Gastrointestinal Endoscopic Images with Interpretable Deep Learning Model
Created by
Haebom
Category
Empty
저자
Astitva Kamble, Vani Bandodkar, Saakshi Dharmadhikary, Veena Anand, Pradyut Kumar Sanki, Mei X. Wu, Biswabandhu Jana
개요
본 연구는 Kvasir 데이터셋의 8,000개의 라벨링된 내시경 이미지를 사용하여 위장관 질환 진단 정확도 향상을 위한 새로운 접근 방식을 제시합니다. EfficientNetB3를 기반으로 데이터 증강 없이도 94.25%의 테스트 정확도, 94.29%의 정밀도, 94.24%의 재현율을 달성했습니다. LIME을 활용하여 모델 예측에 영향을 미친 이미지의 중요 영역을 시각화하여 해석성을 높였습니다. 이는 인공지능을 활용한 의료 영상 분석의 발전 가능성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
데이터 증강 없이 높은 정확도의 위장관 질환 진단 모델 구축 가능성 제시.
◦
LIME을 활용한 모델 해석성 향상을 통한 신뢰도 증가.
◦
인공지능 기반 의료 영상 분석 기술 발전에 기여.
•
한계점:
◦
Kvasir 데이터셋에 대한 의존성. 다른 데이터셋으로의 일반화 성능 검증 필요.
◦
8개의 클래스만으로 제한된 분류 작업. 더 다양한 질환 및 클래스에 대한 확장성 검토 필요.
