A diffusion model-based self-explainable generative classifier for retinal image analysis
Notice bibliographique
Résumé
Vision-influencing ocular conditions, such as diabetic retinopathy (DR), age-related macular degeneration (AMD), cataracts, glaucoma, and degenerative myopia, affect millions of patients globally. Early diagnosis and treatment can reduce the impact of those conditions, which can be identified in color fundus photographs (CFPs). However, manual interpretation of CFPs is a time-consuming process that requires visual assessment by an experienced ophthalmologist. Therefore, several deep learning models have been proposed to support automated retinal disease detection / classification from CFPs. While those discriminative classification models usually achieve a high performance, their black-box nature generally creates challenges when trying to understand their decision-making process, which is crucial to establish trust in their results in a clinical setup. To alleviate this problem, this paper introduces the first fully self-explainable generative classifier for the computer-aided diagnosis of multiple ocular conditions from CFPs. More precisely, we propose a generative diffusion model, which we then repurpose as a classifier. In contrast to discriminative models, our generative classifier is inherently self-explainable due to its ability to synthesize so-called counterfactual images that can be used to visually highlight alternate classification outcomes. We train and evaluate the proposed method on more than 25,000 images encompassing five different ocular conditions, including age-related macular degeneration and diabetic retinopathy, and achieve a competitive classification accuracy of 97.38%. Moreover, the counterfactual images generated by our model visually confirm that it has learned the hallmark features of the ocular conditions included in the data. We believe that our self-explainable generative classifier is an important step towards trustworthy AI in ophthalmology as it removes the explainability challenges surrounding standard discriminative classifiers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».