- 1次围观
对胃肠道（GI）内镜检查中产生的大量图像进行自动分类，是实现可靠且可解释诊断的必要条件，但深度模型易受对抗扰动影响，令人担忧。本研究采用带有卷积块注意力模块（CBAM）分类头的 MaxViT-Tiny 骨干网络，对 Kvasir 内镜图像进行 8 类分类。删除重复图像后，共保留 3,996 张图像，并划分为训练集（70%）、验证集（15%）和测试集（15%）；在三个随机种子下，使用相同的 CBAM 分类头，将该模型与五种骨干网络进行了比较。所提出的模型取得了最高的测试准确率（94.33%）、宏平均 F1 分数（0.9431）和宏平均受试者工作特征曲线下面积（AUC，0.9975）；在所有随机种子下，平均准确率为 93.72 {+/-} 1.06%。白盒 FGSM、PGD、CW-L2 和 MI-FGSM 攻击大幅降低了模型准确率：经过对抗微调后，模型在 FGSM 攻击下的准确率为 74.17%，而在 PGD 和 MI-FGSM 攻击下均低于 4%，表明其跨攻击泛化能力较差。初步构建的攻击检测器取得了 0.857 的 AUC。Grad-CAM++、Score-CAM 和 GradientSHAP 有时能够定位具有临床相关性的区域，但有时也会聚焦于非解剖性伪影。因此，即使加入注意力增强，模型在干净图像上取得高准确率，也并不意味着它在对抗图像上同样准确，或能够提供可靠的解释；在临床应用之前，仍需在独立数据集上进一步验证，并开展多中心验证。
为实现可靠且可解释的诊断，有必要对胃肠道（GI）内镜检查过程中生成的大量图像进行自动分类，但深度模型易受对抗扰动影响，这一问题令人担忧。本研究采用以卷积块注意力模块（CBAM）为分类头的 MaxViT-Tiny 骨干网络，对 Kvasir 内镜图像进行 8 类分类。删除重复图像后，剩余 3,996 张图像，并按 70%、15% 和 15% 的比例划分为训练集、验证集和测试集；在三个随机种子下，研究使用相同的 CBAM 分类头，将该模型与五种骨干网络进行了比较。所提出的模型取得了最高测试准确率 94.33%、宏平均 F1 分数 0.9431，以及宏平均受试者工作特征曲线下面积（AUC）0.9975；在所有随机种子下，平均准确率为 93.72 ± 1.06%。白盒 FGSM、PGD、CW-L2 和 MI-FGSM 攻击均大幅降低了模型准确率：经过对抗微调后，模型在 FGSM 攻击下的准确率为 74.17%，而在 PGD 和 MI-FGSM 攻击下均低于 4%，表明其跨攻击泛化能力较差。初步攻击检测器的 AUC 为 0.857。Grad-CAM++、Score-CAM 和 GradientSHAP 有时能够识别与临床相关的区域，但有时也会聚焦于非解剖性伪影。因此，即使通过注意力增强获得了较高的干净图像分类准确率，也并不意味着模型在对抗图像上的准确率同样较高，或其解释结果可靠。在临床应用之前，该模型仍需在独立数据集上进行进一步验证，并接受多中心验证。
作者声明不存在利益冲突。
感谢您有意帮助传播 bioRxiv 的信息。
注意：我们仅要求提供您的电子邮箱地址，以确认您是本邮件的发送者。
文章
关键词：胃肠内镜图像分类 · MaxViT-Tiny · 对抗鲁棒性 · 可解释人工智能 · 外部验证
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.20.760563v1?rss=1