English(EN) From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models

AI模型提供可解释的糖尿病视网膜病变分级，并附带视觉和文本解释

作者 PulseAugur 编辑部 · [1 个来源] · 2026-04-28 04:00

研究人员开发了一种新的糖尿病视网膜病变（DR）分级方法，该方法将深度学习模型与可解释的解释相结合。该方法使用卷积神经网络（CNN）和Transformer架构，通过加权软投票集成实现了高达0.934的QWK分数。为了实现可解释性，该研究使用Grad-CAM++生成了视觉归因图，并使用视觉语言模型生成了文本解释，旨在从视网膜图像中提供具有临床意义的见解。 AI

影响增强了医疗AI模型的可解释性，有望提高DR分级的临床信任度和采用率。

排序理由这是一篇详细介绍医学图像分析和可解释性新方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Pir Bakhsh Khokhar, Carmine Gravino, Fabio Palomba, Sule Yildirim Yayilgan, Sarang Shaikh · 2026-04-28 04:00

From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models

arXiv:2604.23079v1 Announce Type: new Abstract: The quality of diabetic retinopathy (DR) screening relies on the ability to correctly grade severity; however, many deep-learning (DL) classifiers cannot be easily interpreted in the clinical context. This study presents a methodolo…

报道来源 [1]

From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models

相关实体

相关话题