Systemy komputerowego wspomagania diagnostyki oparte na głębokim uczeniu i technikach wyjaśniania decyzji: aktualne trendy i kierunki rozwoju / Computer-Aided Diagnostic Systems Based on Deep Learning and Decision Explanation Techniques: Current Trends and Directions of Development

Abstract

Celem rozdziału jest podsumowanie badań z lat 2022-2025 dotyczących systemów komputerowego wspomagania diagnostyki (CAD, Computer-Aided Diagnosis) opartych na głębokim uczeniu (DL, Deep Learning) z komponentem interpretowalności (XAI, Explainable Artificial Intelligence). Analizie poddano 76 publikacji spełniających kryteria włączenia. Dominującymi zadaniami badawczymi były klasyfikacja (63,2%), segmentacja (15,8%) i detekcja (14,5%), a w mniejszym stopniu podejścia wielozadaniowe. Najczęściej stosowane modalności obejmowały MRI (30,3%), RTG (28,9%) oraz CT (23,7%). W architekturach dominowały klasyczne konwolucyjne sieci neuronowe (CNN, Convolutional Neural Network; np. ResNet, VGG, DenseNet), rośnie jednak udział hybrydowych modeli CNN-Transformer, szczególnie w analizach trójwymiarowych (3D). Wszystkie badania uwzględniały komponent XAI. Najczęściej stosowano Grad-CAM (Gradient-weighted Class Activation Mapping) i jego warianty, a rzadziej SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) czy Integrated Gradients. Narzędzia te poprawiały transparentność modeli, zwiększając zaufanie klinicystów. Typowe metryki skuteczności obejmowały dokładność (Accuracy), pole pod krzywą ROC (AUC, Area Under the Curve), miarę F1-score oraz współczynnik podobieństwa Dice’a (Dice, Dice Similarity Coefficient); większość modeli osiągała wysokie wyniki (AUC > 0,90, Dice > 0,85). Główne bariery praktycznego wdrożenia to brak standaryzacji metryk, ograniczona liczba badań wieloośrodkowych oraz wysokie koszty obliczeniowe modeli trójwymiarowych (3D) i multimodalnych. Najważniejsze kierunki rozwoju obejmują integrację danych multimodalnych, uczenie federacyjne (FL, Federated Learning), standaryzację protokołów walidacyjnych oraz zaawansowane narzędzia XAI. Systemy CAD oparte na DL i XAI mają potencjał, by zwiększyć dokładność oraz transparentność diagnostyki obrazowej, jednak ich pełna implementacja wymaga dalszych badań i walidacji klinicznej.

This chapter summarises research published between 2022 and 2025 on computeraided diagnosis (CAD) systems based on deep learning (DL) with an explainability component (XAI, Explainable Artificial Intelligence). A total of 76 publications meeting the inclusion criteria were analysed. The dominant research tasks were classification (63.2%), segmentation (15.8%), and detection (14.5%), with a smaller share of multitask approaches. The most frequently used imaging modalities included MRI (30.3%), X-ray (28.9%), and CT (23.7%). Classical convolutional neural networks (CNNs; e.g., ResNet, VGG, DenseNet) have dominated the architecture landscape, although the share of hybrid CNN-Transformer models has been increasing, particularly in three-dimensional (3D) analyses. All studies included an XAI component. The most commonly applied explainability techniques were Grad-CAM (Gradient-weighted Class Activation Mapping) and its variants, while SHAP (Shapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), and Integrated Gradients were used less frequently. These tools enhanced model transparency and increased clinicians’ trust. Typical performance metrics included Accuracy, the area under the ROC curve (AUC, Area Under the Curve), F1-score, and the Dice coefficient (Dice Similarity Coefficient); most models achieved high performance (AUC > 0.90, Dice > 0.85). The main barriers to practical implementation include the lack of metric standardisation, the limited number of multicenter studies, and the high computational costs of 3D and multimodal models. The most important directions for future research include integrating multimodal data, adopting federated learning (FL), standardising validation protocols, and advancing XAI tools. CAD systems based on DL and XAI have the potential to improve both the accuracy and transparency of medical image diagnosis; however, their full implementation requires further research and clinical validation.