Explainable AI framework for skin lesion imaging based cancer detection.

چکیده اصلی

The classification of skin cancer remains a challenging task because of the subtle visual patterns of benign and malignant lesions. In this work we propose an interpretable ensemble learning framework for dermoscopic skin lesion classification by combining Random Forest, XGBoost and LightGBM using Max-Voting. The proposed system demonstrates good predictive performance with clinical interpretability, achieving 95.94% accuracy on the HAM10000 dataset. To increase transparency we use explainable AI techniques to visualise the image regions and features that are most important for the model's decisions. We also perform feature selection based on Genetic Algorithm to select the most discriminative descriptors and to reduce the redundancy in the hybrid feature space. The combination of deep features, handcrafted features, ensemble learning and explainability leads to a strong framework for accurate prediction and meaningful interpretation. The experimental results show that the proposed approach outperforms the individual classifiers and provides more explainable clinically relevant explanations that may help to improve the confidence and trust of dermatologists. In summary, the study demonstrates that the combination of ensemble learning and explainable AI can provide an effective and practical direction towards trustworthy skin cancer decision support.

ترجمه فارسی چکیده

کلاسه‌بندی سرطان پوست همچنان یک چالش است زیرا الگوهای بصری ظریف بین ضایعات خوش‌خیم و بدخیم وجود دارد. در این کار، ما یک چارچوب یادگیری ترکیبی قابل تفسیر برای کلاسه‌بندی ضایعات دِرموسکوپی پوستی با ترکیب جنگل تصادفی، XGBoost و LightGBM با استفاده از رأی‌گیری حداکثری پیشنهاد می‌دهیم. سیستم پیشنهادی عملکرد پیش‌بینی خوبی با قابلیت تفسیر بالینی نشان می‌دهد و دقت ۹۵.۹۴٪ را در مجموعه داده HAM10000 به دست آورده است. برای افزایش شفافیت، از تکنیک‌های هوش مصنوعی قابل تفسیر برای تصویرسازی مناطق و ویژگی‌های تصویر استفاده می‌کنیم که برای تصمیمات مدل مهم هستند. همچنین انتخاب ویژگی بر اساس الگوریتم ژنتیک را برای انتخاب توصیف‌گرهای متمایزکننده و کاهش تکراری‌ها در فضای ویژگی‌های ترکیبی انجام می‌دهیم. ترکیب ویژگی‌های عمیق، ویژگی‌های دست‌ساز، یادگیری ترکیبی و قابلیت تفسیر منجر به یک چارچوب قوی برای پیش‌بینی دقیق و تفسیر معنادار می‌شود. نتایج آزمایشی نشان می‌دهد که رویکرد پیشنهادی از کلاسه‌بندی‌کننده‌های فردی عملکرد بهتری دارد و توضیحات بالینی قابل تفسیر بیشتری ارائه می‌دهد که ممکن است به افزایش اعتماد و اطمینان dermatologists کمک کند. در مجموع، مطالعه نشان می‌دهد که ترکیب یادگیری ترکیبی و هوش مصنوعی قابل تفسیر می‌تواند مسیر مؤثر و عملیاتی را به سمت پشتیبانی تصمیم‌گیری قابل اعتماد در سرطان پوست ارائه دهد.

متن کامل اصلی