LIME-Enabled Investigation of Convolutional Neural Network Performances in COVID-19 Chest X-Ray Detection
Notice bibliographique
Résumé
The Coronavirus Disease (COVID-19) has caused millions of casualties across the globe. One inexpensive and noninvasive screening method for COVID-19 is the analysis of chest X-ray (CXR) images for pathological features in the lungs. These features are difficult to detect by humans, but convolutional neural networks (CNN) have proven effective at extracting them. This paper uses four ImageNet-pre-trained CNNs: VGG16, DenseNet201, ResNet50, and EfficientNetB3 to perform transfer learning to a task of COVID-19 CXR image detection on a dataset containing COVID-19, healthy, and viral pneumonia CXR images. We compare the performance of the retrained CNNs using standard measures and investigate the features they use for their predictions using local interpretable model-agnostic explanations (LIME). The networks are retrained on two classification tasks: Task 1 consists of classifying healthy and COVID-19 CXR images and task 2 consists of classifying viral pneumonia and COVID-19 CXR images. We find that DenseNet201 and VGG16 achieve higher accuracies than ResNet50 and EfficientN etB3 in both tasks. However, the LIME explanations reveal that VGG16 does not learn disease-relevant features in the lungs, while DenseNet201, ResNet50, and EfficientNetB3 use regions in the lungs to make their predictions. This observation is reinforced by comparing LIME explanations with ground-truth lung regions on an unseen dataset. The prospect of using “black box” deep neural networks for automatic screening of CXRs for COVID-19 can be improved with LIME-enabled investigations of model performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».