Jan, 2022

ExAID: 皮肤病变计算机辅助诊断的多模态解释框架

PDF
TL;DR本文介绍了一种基于 AI 的医学图像分析框架 ExAID，利用多模式概念解释提供易于理解的文本解释和可视化地图来验证预测结果，用于皮肤病例中的良恶性、依赖的模糊的问题。该框架不仅在临床工作流程中提供诊断界面，还提供了教育模式，可用于数据和模型探索，用于辅助医学研究和教育。通过定量和定性的评估，表明多模方式的解释对于 CAD 辅助方案的效用甚至在错误的预测情况下也是很有用的。该应用是在其他生物医学成像领域中类似应用的基础。
ai-based diagnosistransparencydermatologyexaidmulti-modal explanations
发现论文，激发创造
  • MICA：通过多级图像概念对齐实现可解释性皮肤病病变诊断

    通过使用黑盒深度学习方法，并结合可解释的人工智能和基于概念的方法，在医学图像分析领域提出一种多模态可解释疾病诊断框架，以实现模型可解释性、高性能和标签效率的平衡。

    Jan, 2024

  • 医学影像诊断中可解释的深度学习方法：一项调查

    本文介绍了在医学影像诊断中应用深度学习的机会与挑战，重点讲述了可解释人工智能（XAI）在医学影像中的应用，并对解释方法、数据集和评估指标进行了综述和比较，最后探讨了深度学习在医学影像领域的未来研究方向。

    May, 2022

  • 医学图像中的可解释人工智能：一项调查

    本研究旨在分析 XAI 在医学诊断研究中应用的最新研究，对多种不同疾病（如癌症和 COVID-19）的机器学习结果进行解释，以实现想要的评估。

    May, 2023

  • 皮肤癌分类的可解释深度学习方法

    使用现代深度学习方法和可解释人工智能（XAI）来解决皮肤癌检测问题，采用四个先进的预训练模型进行皮肤病变分类，XceptionNet 被确定为表现最佳的模型，本研究展示了深度学习和可解释人工智能（XAI）如何改善皮肤癌诊断，为医学图像分析领域未来的发展奠定了基础。

    Dec, 2023

  • 基于深度学习的医学图像分析中的可解释人工智能（XAI）

    本文调查了可解释人工智能 (XAI) 在基于深度学习的医学图像分析中的应用，提出了一个 XAI 标准框架来分类这些基于深度学习的方法，根据解释方法和解释结构将应用于医学图像分析中的 XAI 技术进行了分类，并按解剖位置进行了整理，并给出了未来在医学图像分析中 XAI 的机会的展望。

    Jul, 2021

  • 医学影像分析中的临床可解释人工智能指南与评估

    提出了临床 XAI 指南作为临床用户获取来自 AI 的决策支持和遵守基于证据的医疗实践的关键，它由五个优化临床 XAI 的标准组成，涵盖可理解性、临床相关性、真实性、信息可信度和计算效率等方面，对 16 种常用的热图 XAI 技术进行了系统评估，并证明了指南的可行性。

    Feb, 2022

  • 概念关注白化对于可解释性皮肤病诊断的应用

    通过引入 Concept-Attention Whitening（CAW）框架，我们提出了一种用于解释性皮肤病变诊断的新方法。CAW 不仅提高了可解释性，还保持了最先进的诊断性能。

    Apr, 2024

  • 将人类知识与视觉概念对齐，实现可解释的医学图像分类

    通过融合领域知识与大型语言模型，Explicd 提出了一种可解释的、以诊断标准为基础的语言辅助诊断框架，不仅模拟了人类专家的决策过程，还提高了医学图像分类性能。

    Jun, 2024

  • 视觉解释的可解释人工智能基准

    深度学习算法的崛起在计算机视觉任务中取得了重大进展，但它们的 “黑匣子” 性质引发了对可解释性的关注。可解释人工智能（XAI）作为一个重要的研究领域出现，旨在打开这个 “黑匣子”，并揭示人工智能模型的决策过程。视觉解释作为可解释人工智能的一个子集，通过突出显示输入图像中的重要区域，为处理视觉数据的人工智能模型的决策过程提供直观的见解。我们提出了一个 XAI 基准，其中包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。我们引入了一个全面的视觉解释流程，在这个流程中整合了数据加载、预处理、实验设置和模型评估过程。此结构使研究人员能够公平比较各种视觉解释技术。此外，我们对视觉解释的超过 10 种评估方法进行综合评述，以帮助研究人员有效利用我们的数据集合。为了进一步评估现有的视觉解释方法的性能，我们使用各种以模型为中心和以真实标注为中心的评估指标在选定的数据集上进行实验。我们希望这个基准可以推动视觉解释模型的进步。这个 XAI 数据集合和用于评估的易于使用的代码公开可访问。

    Oct, 2023

  • 可解释人工智能方法在医学影像分类中的应用分析

    在医疗领域中，应用深度学习进行医学图像分类已成为趋势。然而，这种人工智能系统是极其复杂的 “黑匣子” 模型，难以解释其预测的原因。因此，研究探索可解释的人工智能（XAI）方法，以更好地应用于医学领域。本文通过对卷积神经网络模型进行规范化学图像分类，从三种不同的 XAI 方法对模型进行了可视化的研究和分析。

    Dec, 2022