介绍了一种新颖的可解释神经网络算法，并使用病例推理来辅助放射科医生进行乳腺摄影。 与其他方法相比，我们的模型以相同或更高的准确率检测临床特征（肿块边缘），提供了更详细的预测解释，并能更好地区分图像的分类相关部分。

Jul, 2021

数字乳房 X 线摄影是乳腺癌检测的关键，而深度学习为更快、更准确的乳房 X 线分析提供了有前途的工具。然而，在放射学和其他高风险环境中，不可解释的（“黑盒子”）深度学习模型不适用，并且这些领域对于希望创建可解释模型的呼声很高。最近在可解释计算机视觉方面的研究通过利用案例解释中的原型实现透明性，提供了高准确性的应用，包括乳房 X 线摄影。然而，这些模型在精确特征定位方面存在困难，当只有一小部分图像相关时，需要对图像的大部分进行推理。本文通过提出一种新的多尺度可解释深度学习模型来解决这一差距，用于乳房 X 线摄影的肿块边缘分类。我们的贡献不仅提供了一个可解释的模型，其推理与放射科医生的实践相吻合，而且提供了一个通用架构，用于从粗粒度到细粒度的用户可配置的原型。

Jun, 2024

该论文提出了一种交互式系统，通过利用最先进的可解释性技术与深度学习模型，帮助放射科医生在乳腺癌筛查中理解模型决策的过程，并且利用用户交互逐步提供更细致的可解释性报告，从而促进医学 AI 的采纳。

Sep, 2022

机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

Aug, 2023

通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高 AI 决策的可解释性，为医学专业人员和患者提供更好的协作。

Apr, 2024

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020

通过分析筛选乳腺 X 线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

May, 2023

应用于乳腺超声图像中的人工智能模型具有潜在的减轻癌症负担的应用前景。本研究提出了一种能够解释其预测结果的可解释人工智能模型，并通过预测具有特定临床意义的乳腺影像学术语来方便放射科医师审查和纠正错误，从而提高癌症分类的性能。

Jun, 2024

本研究利用人工智能方法（如随机森林、神经网络和神经网络集成）和可解释性技术（如全局代理，ICE 图和 Shapley 值）进行早期诊断乳腺癌，其中集成神经网络表现最佳，其预测结果经过 ICE 图验证符合当前医学知识，并能进一步用于了解乳腺癌的病理生理机制。

Feb, 2022

通过使用可解释的人工智能模型，我们的研究聚焦于罕见癌症眼部肿瘤的诊断，在集成领域专家的见解和放射学报告的基础上，我们的模型不仅在 F1 评分上与黑盒模型相媲美（0.91），而且还提高了初级医生的诊断准确性（提升了 42%），这一研究凸显了可解释的机器学习在改善罕见疾病的诊断方面的巨大潜力，并为未来医学人工智能在复杂健康场景中取得突破奠定了基础。

Mar, 2024