在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

Mar, 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

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

通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量，我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型，发现原型质量有待改善以提高相关性、纯度和学习多样性。

Mar, 2024

探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

Oct, 2023

在医学成像中，辨识人工智能模型预测背后的理由对于评估其决策的可靠性至关重要。为了填补这一差距，我们提出了一种具备决策推理和特征识别能力的可解释模型，不仅能够检测有影响力的图像模式，还能揭示驱动模型最终预测的决定性特征。通过实施我们的方法，我们能够有效地识别和可视化数据驱动模型利用的类别特定特征，为深度学习模型的决策过程提供洞察，验证了我们的模型在医学预测任务中的效用和潜力，从而提高了人工智能在医疗保健领域的可靠性，并发现了在预后理解有限的疾病中的新知识。

May, 2024

使用改进的 DenseNet 架构，本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究，重点关注其可解释性、有效性和伦理问题，并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现，同时指出了连续模型改进上的需求，团队合作和伦理考虑也被提出，以便在放射学诊断中负责任地部署卷积神经网络。

Nov, 2023

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