Mar, 2023

关于甲状腺结节诊断可解释人工智能的可信性探究

PDF
TL;DR本研究使用最先进的可解释人工智能方法，如核密度估计和密度图来解释甲状腺结节诊断应用程序中黑匣子的人工智能模型的预测，以提高医学决策过程的透明度和可理解性，并评估医生和患者对于该模型决策的 XAI 解释的信任度。
explainable artificial intelligencexaimedical decision-makingthyroid nodule diagnosistrust
发现论文，激发创造
  • 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

  • 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

  • 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

  • 解决谜题：推导深度网络的最优解释

    通过整合不同的解释方法并利用非线性的 “解释优化器”，我们提出了一种新颖的框架，旨在增强深度神经网络的可解释性，并通过实验证实了其有效性。

    May, 2024

  • 透明且临床可解释的肺癌在胸部 X 光片中的 AI 检测

    通过引入临床概念到分类过程中，我们提出了一种基于概念瓶颈模型的预处理方法，改善了肺癌检测的分类性能（F1＞0.9），同时生成比现有技术更可靠、临床相关的解释，解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。

    Mar, 2024

  • 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

  • 对比诊断：使用对比学习提高肺结节诊断的可解释性

    通过引入透明度和后置解释性来增强深度学习模型的临床医学诊断适用性，提出了对比诊断，一个简单而有效的可解释诊断框架，实现了高可靠性的诊断并保持了高透明度和解释性。

    Mar, 2024

  • 准确故障检测和诊断的可解释人工智能技术综述

    制造业中的深度学习模型的不透明性对故障检测和诊断构成了重要挑战。本文对可解释人工智能（XAI）的工具和技术进行了综述，探讨了各种 XAI 方法在增加人工智能决策透明度方面的作用，特别是在涉及人类的关键情景中。同时，我们还讨论了当前的局限性以及未来潜在的研究，旨在在改善信任度的同时平衡可解释性与模型性能，以应用于关键工业用例的人工智能应用。

    Apr, 2024

  • 评估流行的可解释人工智能在临床预测模型中的应用：能否信赖？

    本研究旨在评估两种流行的可解释人工智能方法在医疗保健背景下解释预测模型的精确度，重点考虑是否产生与应用任务相一致的域适当表示，如何影响临床工作流程以及是否一致性，结果表明目前的技术还有改进的空间。

    Jun, 2023

  • 医学图像分析中的可解释深度学习模型

    本文回顾了可解释的深度学习在医学影像任务中的应用，讨论了这种方法的不同途径，临床应用挑战以及需要进一步研究的领域。

    May, 2020