AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

在医学领域，阑尾炎引发的突发性剧痛是一种常见的急症，需要迅速采取行动。如果发炎的阑尾破裂，可能会导致危及生命的并发症，这使得早期且准确的诊断至关重要。虽然医生长期以来一直依赖影像工具来观察体内情况，但超声波脱颖而出，成为一种特别有价值的方法，因为它使用声波而非辐射，使患者更加安全且易于获取。然而，观察这些图像并不总是那么直观。要区分简单的炎症病例与更危险的情况（例如破裂的阑尾或脓肿），需要高度专业的眼光，且过程可能非常耗时。这正是医学与计算机科学的交汇点提供新路径之处——利用人工智能来帮助医生发现那些可能被忽略的细节。

一组研究人员致力于构建一个能够读取这些超声图像并自动识别所存在阑尾炎具体类型的计算机系统。他们专注于五个不同的类别：正常的健康阑尾；急性炎症；形成孔洞的穿孔阑尾；脓肿（即脓液的聚集）；以及阑尾结石（即器官内坚硬的石状沉积物）。为了教导他们的计算机，该团队收集了大量共计 4,679 张超声图像，每张图像都由认证医师仔细标注，以确保计算机学习的是正确的信息。他们首先将这些原始图像输入到四个不同的现有计算机模型中，这些模型就像是旨在识别模式的“数字大脑”。最初，结果并不理想。这些模型难以理解图像，准确率仅为 69% 左右，这意味着它们在三分之一以上的情况下都会出错。图像中包含了过多的视觉噪声，且缺乏计算机区分不同类型炎症所需的清晰对比度。

意识到原始数据是瓶颈后，研究人员决定在将图像展示给计算机之前先对其进行清理。他们应用了一个处理过程：首先平滑掉颗粒状的噪声，就像通过模糊照片来去除干扰性的斑点一样；然后锐化边缘，使器官的边界更加清晰突出。他们还调整了计算机模型的内部设置，微调系统从每个新样本中学习的程度。这种结合了图像清洗与机器设置调优的方法改变了结果。表现最好的系统是一个被称为 InceptionV3 的模型，其准确率从 69% 大幅跃升至 95.58%。它变得高度可靠，在几乎所有的测试案例中都能正确识别病情。

研究人员并未止步于仅仅获得正确答案；他们还希望了解计算机是如何得出结论的。为此，他们使用了一种技术来创建视觉图谱，突出显示计算机在做出决策时所关注的超声图像特定区域。当他们查看这些图谱时，发现计算机确实是在观察身体的正确部位，例如发炎的阑尾或周围的液体，而不是基于随机模式进行猜测。这种透明度至关重要，因为它允许人类医生快速验证计算机是否正在观察正确的目标。研究发现，尽管其他模型表现良好，但这个特定的模型最为一致且可靠，表明通过对数据的正确准备，人工智能可以成为区分腹部急症中细微差异的强大工具。这项工作表明，此类系统未来有望通过在超声扫描中突出显示关注区域，为医疗专业人员提供一种快速、一致且基于图像本身视觉证据的“第二意见”。