医学成像中因果关系的重要性
本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白,并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述,发现其具有减轻临床转化中的关键问题的潜力,但目前在临床下游研究中的应用尚有限。
Jun, 2022
本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究,研究了数据集干预对图像分类模型输出的影响,以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。
Jun, 2022
基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中,深度学习的基础、稳定性以及存在的问题,并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。
Jul, 2023
我们提出了一种新方法,通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响,实现自动分类医学图像。我们的方法由两个组成部分组成:卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重,以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能,从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法,用于前列腺癌诊断,包括定量实验、定性评估和消融研究。我们的结果表明,我们的方法改进了分类性能,并产生更可靠的预测,重点关注图像的相关部分。这在医学成像中尤为重要,准确可靠的分类对于有效的诊断和治疗规划至关重要。
Sep, 2023
因果分析对于可解释的深度学习和泛化提供了有前景的途径,通过将因果性纳入人工智能算法,并利用气象可预测性初次构建严格的因果分析形式体系,在过去的 18 年中,成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战,并通过广泛应用在大气海洋科学以及其他学科领域,如量子力学、神经科学、金融经济学等,带来了科学发现。本文简要回顾了这十年来的探索工作,包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用,例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。
Feb, 2024
通过利用变量之间的因果关系最大化利用所有可用数据,我们首次开发了半监督深层因果生成模型,以解决所提出的反事实问题,甚至对于具有不完整标签的样本,我们借助因果推断的技术来推断缺失值并生成逼真的反事实。
Mar, 2024
本研究介绍了一种新颖的方法,通过学习和利用图像中的弱因果信号来自动分类医学图像。我们的框架由一个卷积神经网络主体和一个因果提取器模块组成,该模块提取特征图之间的因果关系,可以向模型提供关于图像中某个位置的特征出现的信息,当图像的另一个位置存在其他特征时。我们通过对前列腺 MRI 图像的公开数据集进行二元和多类分类实验证明了我们的方法在低数据场景下的有效性,并通过消融研究和定性评估使用类激活图来突出强烈影响网络决策过程的区域,验证了所提出的因果驱动模块的有效性。研究结果表明,特征之间的因果关系在提高模型识别相关信息和产生更可靠、可解释的预测方面起着关键作用,这使其成为医学图像分类任务中一个有希望的方法。
Sep, 2023
机器学习在预测方面已经取得了很大进展,但缺乏通用人工智能,研究表明因果推断是实现机器推理和机器智能的一种重要方法,本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究,提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016