Grad-CAM Enhanced Explainability in Multi-Class Chest X-Ray Classification
Notice bibliographique
Résumé
Rapid and accurate diagnosis of respiratory illnesses is essential for improving patient outcomes and reducing the burden on healthcare systems, especially during global health crises. This paper presents a comparative study of three deep learning models— a custom lightweight Convolutional Neural Network (CNN), VGG16, and DenseNet121—for the multi-class classification of chest X-rays into COVID-19, pneumonia, and healthy cases. A balanced dataset of 12,750 images was curated from public sources, with equal distribution across all classes. Preprocessing included resizing, normalization, and extensive augmentation to mitigate overfitting and improve generalization. The custom CNN architecture, consisting of four convolutional blocks, global average pooling, and dense layers with dropout regularization, was optimized for efficiency and interpretability. All models were trained with the Adam optimizer, categorical cross-entropy loss, and early stopping. Evaluation metrics included accuracy, F1-score, AUC, and confusion matrices, complemented by Grad-CAM visualizations for interpretability. Experimental results showed the custom CNN outperforming transfer learning models, achieving 94.1% test accuracy, macro F1-score of 0.94, and AUC of 0.99, compared to VGG16 (92.3%) and DenseNet121 (91.6%). The proposed CNN also demonstrated faster convergence and superior recall for COVID-19 detection. These findings highlight that lightweight, well-regularized CNNs can match or exceed deeper architectures, offering scalable and explainable solutions for real-world clinical deployment in resource-constrained environments.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».