كشف الصندوق الأسود: التعلم المنقول القابل للتفسير لتشخيص اضطرابات العين

الهدف: تقييم نماذج التعلم المنقول (TL) بشكل منهجي لتشخيص الأمراض العينية متعددة الفئات وتقدير موثوقيتها باستخدام الذكاء الاصطناعي القابل للتفسير. الطرق: تم تقييم ثمانية نماذج من الشبكات العصبية التلافيفية (CNN) المدربة مسبقًا على مجموعة بيانات عامة تغطي الماء الأبيض، واعتلال الشبكية السكري، والزرق، والفئات الطبيعية ضمن بروتوكول موحد. تم قياس الأداء باستخدام الدقة، والتميز، والاستدعاء، وF1-score. تم استخدام Grad-CAM وLIME وSHAP للقدرة على الفهم، وتم تقييم اتساق الأداء باستخدام اختبار فريدمان. النتائج: حققت عدة نماذج أداءً قريبًا من الكمال لتشخيص اعتلال الشبكية السكري. كانت DenseNet121 وXceptionNet الأفضل في اكتشاف الماء الأبيض، بينما أظهرت نسبة الزرق نتائج أضعف باستمرار، مما يشير إلى الحاجة إلى طرق قائمة على الفصل. على الرغم من دقة الأداء المماثلة، كشفت القابلية للتفسير عن اختلافات جوهرية في انتباه النموذج. أنتجت EfficientNetB3 أكثر الشروحات البصرية ذات المعنى السريري. الاستنتاجات: الدقة وحدها غير كافية للذكاء الاصطناعي الطبي الثقة. يعد الذكاء الاصطناعي القابل للتفسير ضروريًا لاختيار النموذج. توفر EfficientNetB3 أفضل توازن بين الأداء والقدرة على الفهم، ويتطلب تشخيص الزرق خطوط أنابيب أكثر تقدمًا وتأخذ في الاعتبار الفصل.