Consistency and stability benchmarking of Grad-CAM, SHAP, and LIME for diffuse and focal brain MRI classification
Notice bibliographique
Résumé
Clinical adoption of deep convolutional neural networks for brain-MRI interpretation hinges on reliable visual explanations, yet systematic head-to-head evaluations that quantify explanation robustness and reproducibility across multiple neuropathologies within a fully standardized pipeline remain scarce. This study performs a controlled comparison of Gradient-weighted Class Activation Mapping (Grad-CAM), Deep-SHAP and LIME using a single 3-D ResNet-50 backbone fine-tuned on two public datasets: Augmented Alzheimer MRI v2 (6 400 T1-weighted slices, four dementia stages) and Brain-Tumor MRI (3 264 slices, four tumor classes). Uniform preprocessing—HD-BET skull stripping, MNI-152 registration, 1 mm<sup>3</sup> resampling and z-score normalization—minimizes scanner bias, while patient-stratified 70 : 15 : 15 splits prevent information leakage. Diagnostic performance surpasses 98 % accuracy and 0.99 AUC on both tasks, providing a robust foundation for explanation assessment. These measures aim to capture how reproducible and robust the explanations are under realistic perturbations. Grad-CAM exhibits the highest consistency (0.764 for Alzheimer’s, >0.90 for tumors) and stability (0.684 and >0.90), accurately highlighting hippocampal atrophy and tumor cores. Deep-SHAP delivers anatomically detailed but computationally intensive attributions, whereas LIME shows pronounced variability due to super-voxel segmentation. Findings recommend gradient-based explanations for rapid, focal-lesion screening and reserve SHAP for diffuse pathology requiring voxel-level justification, while cautioning that LIME demands careful parameter tuning before clinical deployment. An open-source evaluation script accompanies the study to facilitate reproducible, pathology-aware XAI benchmarking in neuro-radiology. To assist related work, the code is available at: https://github.com/fyyyaug/medical-image.git.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».