Ερμηνέυσιμη μηχανική μάθηση για τη διάγνωση καρκίνου του μαστού με χρήση μαστογραφιών
Loading...
Date
2026-10-08
Authors
Σκουντζούρη, Ευσταθία
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Ο καρκίνος του μαστού αποτελεί μία από τις συχνότερες μορφές καρκίνου στον γυναικείο πληθυσμό και η έγκαιρη διάγνωσή του βασίζεται σε μεγάλο βαθμό στη μαστογραφία. Τα τελευταία χρόνια, μοντέλα βαθιάς μάθησης έχουν παρουσιάσει σημαντικές δυνατότητες στην αυτοματοποιημένη ανάλυση μαστογραφικών εικόνων. Ωστόσο, η περιορισμένη ερμηνευσιμότητα των προβλέψεών τους αποτελεί σημαντικό ζήτημα, ιδιαίτερα σε εφαρμογές ιατρικής απεικόνισης. Για τον λόγο αυτό, η παρούσα διπλωματική εργασία εξετάζει όχι μόνο την ταξινομητική απόδοση μοντέλων βαθιάς μάθησης, αλλά και τη χωρική ποιότητα των εξηγήσεων που παράγονται μέσω τεχνικών Explainable Artificial Intelligence (XAI).
Για την πειραματική μελέτη χρησιμοποιήθηκε το υποσύνολο μαζών του CBIS-DDSM και το πρόβλημα διατυπώθηκε ως δυαδική ταξινόμηση lesion-centered μαστογραφικών εικόνων σε καλοήθεις και κακοήθεις βλάβες. Συγκρίθηκαν οι αρχιτεκτονικές ResNet50 και EfficientNet-B0 με χρήση transfer learning. Για την ερμηνεία των προβλέψεων εφαρμόστηκαν οι μέθοδοι Grad-CAM, Grad-CAM++, LIME και Gradient SHAP. Η αξιολόγηση των επεξηγήσεων δεν περιορίστηκε στην οπτική εξέταση των heatmaps, αλλά πραγματοποιήθηκε και ποσοτικά με χρήση των διαθέσιμων lesion ROI masks και μετρικών όπως Pointing Game, pixel-level AUPRC, IoU και Dice.
Στο ανεξάρτητο test set, η ResNet50 παρουσίασε καλύτερη ταξινομητική απόδοση, με AUC 0.7996, έναντι 0.7627 της EfficientNet-B0. Ωστόσο, η καλύτερη χωρική συμφωνία των XAI explanations δεν προέκυψε από το μοντέλο με την υψηλότερη ταξινομητική απόδοση. Για τη ResNet50, το καλύτερο αποτέλεσμα επιτεύχθηκε από το Grad-CAM++ με eigen smoothing, με AUPRC 0.5219 και Dice 0.4921, ενώ για την EfficientNet-B0 το intermediate Gradient SHAP παρουσίασε την υψηλότερη συνολική απόδοση, με AUPRC 0.6434 και Dice 0.5738.
Τα αποτελέσματα δείχνουν ότι η ταξινομητική επίδοση και η ποιότητα της χωρικής εξήγησης αποτελούν διαφορετικές ιδιότητες ενός μοντέλου και υπογραμμίζουν τη σημασία της ποσοτικής αξιολόγησης των XAI μεθόδων στην ιατρική απεικόνιση.
Description
Keywords
Ερμηνεύσιμη μηχανική μάθηση, Μαστογραφία, Επεξηγησιμότητα, Τεχνητή νοημοσύνη, Βαθιά μάθηση, Συνελικτικά νευρωνικά δίκτυα, Καρκίνος του μαστού