97.67%准确率！AI检测疟疾，MobileNetV2模型仅8.49MB、1.35毫秒推理
Towards Transparent Diagnostics: Investigating Architectural Trade-offs and Explainability in Malaria Detection
📖 AI 总结
该研究针对疟疾早期诊断依赖专业人员和设备、资源消耗大的问题，探索深度学习在血涂片检测中的应用。作者基于NIH疟疾数据集，比较了ResNet18、MobileNetV2、EfficientNet-B2、VGG19及自建模型的性能。结果显示，MobileNetV2以8.49 MB的最小模型和1.35 ms的最快推理实现96.35%准确率，适合轻量化部署；自建模型准确率最高达97.67%，AUC为0.9756，但推理时间长达13.17 ms。研究还发现，更大架构未必带来更高准确率，反而增加模型体积。经剪枝后，自建模型在准确率和推理速度上略有提升。作者进一步引入GRAD-CAM、SHAP和LIME等可解释性方法，增强模型透明度。该工作为疟疾诊断模型在性能、效率与可解释性之间的权衡提供了实证参考。
🔑 关键词速览
| ResNet18 | 一种18层深的残差神经网络，通过跳跃连接解决深层网络训练中的梯度消失问题。 |
| MobileNetV2 | 一种轻量级卷积神经网络，采用深度可分离卷积和倒残差结构，适合移动端和嵌入式设备。 |
| EfficientNet-B2 | EfficientNet系列的一个中等规模模型，通过复合缩放方法平衡网络深度、宽度和分辨率。 |
| GRAD-CAM | 梯度加权类激活映射，一种可视化深度学习模型关注区域的技术，用于解释模型决策。 |
| SHAP | SHapley Additive exPlanations，一种基于博弈论的特征重要性解释方法，用于解释模型预测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅