MMApr, 2023

评估可解释机器学习系统对胸部 X 线解读观察者一致性的影响

PDF
TL;DR本研究旨在测量可解释的机器学习系统对放射学家之间的临床诊断一致性产生的影响。VinDr-CXR 在作为诊断工具时，极大地提高了六名放射学家之间的一致性，并且在每个放射学家与机器系统之间也显著提高了一致性。
explainable machine learningradiograph interpretationinterobserver agreementdiagnosis-supporting toolfleiss' kappa
发现论文，激发创造
  • CheXplain：让医生探索和理解基于数据驱动的 AI 医学影像分析

    该研究拟定了 CheXplain 系统，以帮助医生了解和探索基于人工智能的胸透分析，并提出了设计可解释的医学人工智能系统的建议。

    Jan, 2020

  • 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

  • AI 辅助提升胸部放射照片早期肺癌检测的效率：多读者研究

    本研究评估了商业可用的可解释的 AI 算法在增强临床医生识别胸部 X 光片上的肺癌的能力方面的影响。研究结果表明，使用 AI 算法可以提高肺癌的检测性能，减少漏诊，促进健康公平。

    Aug, 2022

  • 增强放射诊断：融合人工智能与人类专业知识的协作方法修正可视错误

    CoRaX 是一种协同人工智能系统，通过整合眼动数据和放射学报告来改进胸部放射学的诊断准确性，找出感知错误并优化决策过程。研究使用 REFLACX 和 EGD-CXR 数据集以及大型多模态模型开发了 CoRaX，并评估了其推荐过程、推荐质量和协同诊断能力。结果表明，CoRaX 能够高效地协同放射科医生，纠正各种异常中的感知错误，并在新手放射科医生的教育和培训中具有潜在应用。

    Jun, 2024

  • 解码放射科医生专注于准确的胸部 X 光诊断：一种可控和可解释的人工智能系统

    本文提出了一种新颖且统一的可控解释性流程，用于解码胸部 X 射线（CXR）诊断中放射科医师的密集关注点，通过捕捉放射科医师凝视的强度，提供了对放射学解释过程的认知过程的洞察。

    Sep, 2023

  • 通过对比学习提升自动胸部 X 射线诊断的公平性

    应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

    Jan, 2024

  • 跨界 AI: 使用可解释 AI 为胸部 X 射线图像生成更好的边界框

    利用后期 AI 可解释方法生成更接近于实际的肺 x 光图像诊断边界框，性能显著提高，对所有 IoU 的所有疾病平均产生了 9% 的改进。

    Oct, 2023

  • 可解释的知识蒸馏用于设备端胸部 X 射线分类

    本文通过利用知识蒸馏策略创造紧凑的深度学习模型，实现了针对复杂诊断的自动化多标签胸部 X 光图像分类，并借助可解释的人工智能提供模型决策的视觉解释，在 ChestX-ray14、CheXpert 和 PadChest 等数据集上取得了较好的性能表现，具备在有限硬件平台上实现的可行性。

    May, 2023

  • 可解释性人工智能和视觉推理：来自放射学的洞见

    本研究旨在探讨为什么可解释的 AI（XAI）在放射学中的解释尽管具有透明度的优势，但仍无法获得人类信任，并提出了一种人类中心的解释设计原则，从人类推理和证明角度提高可解释 AI 解释的可用性和可信度。

    Apr, 2023

  • 临床准确的胸部 X 光报告生成

    本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

    Apr, 2019