CVPRMar, 2023

通过重写模型决策实现可信的皮肤癌诊断

PDF
TL;DR本文研究了深度神经网络在皮肤癌诊断中可能存在的混淆因素问题，并提出了人类介入的模型训练框架，在黑盒模型解释性概念空间中解释了复杂特征表示，并对数据集进行了清洗，最终提高了模型的性能与可靠性。
deep neural networksconfounding factorshuman-in-the-loop frameworkskin cancer diagnosisexplainable ai
发现论文，激发创造
  • 医学图像中基于一致性概念的解释及其在皮肤病诊断中的应用

    本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用，该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化，其结果表明该模型优于现有黑盒和概念模型。

    Apr, 2023

  • 利用原型和非专业监督进行皮肤癌检测的可解释人工智能（XAI）

    通过可解释的原型 - 部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导，我们提出了一种新的黑素瘤诊断方法，实验证明即使没有专家监督，我们的方法在性能和泛化程度上均优于不可解释的模型。

    Feb, 2024

  • 消除皮肤损伤数据集和模型的偏见？不那么快

    本论文解决了皮肤病分类模型数据偏差问题，通过综合分析 7 种视觉损伤，防止模型学习虚假相关性并提出了数据集来测试模型的偏差，但发现尽管结果有希望，目前的去偏方法还不足以解决皮肤病模型的偏差问题。

    Apr, 2020

  • 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

  • DiffExplainer: 通过反事实生成揭示黑匣子模型

    通过生成对抗图像，我们提出了一种方法来揭示影响黑盒模型的决策的关键特征，以提高医学图像分类中深度学习模型的可靠性。

    Jun, 2024

  • (去) 构建皮肤病变数据集上的偏差

    本文针对现有的皮肤病例资料集中的偏见问题，提出一系列实验，发现机器学习模型在没有临床有意义信息的情况下可以正确分类皮肤病变图像，这强烈暗示了伪相关性引导模型。通过本次实验，揭示了模型在小型数据集中训练和评估的局限性，为未来的模型指导提供了参考。

    Apr, 2019

  • 基于皮肤病专家反馈的可解释卷积神经网络微调，提升分类可信度

    本文提出了一种卷积神经网络微调方法，利用用户反馈实现分类和可视化分类解释两方面输出的同时优化。将该方法应用于皮肤病分类任务，测试卷积神经网络对两种类型用户反馈的反应并说明该方法的作用，同时提出了一种新的卷积神经网络架构，该架构在训练循环中集成了 Grad-CAM 技术，以便解释模型的决策。通过模拟用户反馈，发现将分类和解释同时微调可以提高视觉解释效果，同时保留分类准确性，潜在地提高用户对于基于 CNN 的皮肤病分类器的信任。

    Apr, 2023

  • 针对皮肤病标注的图像分类器示例和反例解释

    使用深度神经网络识别皮肤病变，并通过对抗自编码器生成的例子向医生提供诊断解释，以实现可解释的人工智能医疗决策系统。

    Jan, 2023

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023