MMApr, 2023

使用 AACR GENIE 数据集训练的液态神经网络（LTC）识别神经纤维瘤肿瘤

PDF
TL;DR本研究提出了一种可解释的人工智能方法，通过血液测试和病原变量对患有神经纤维瘤病的患者进行诊断，并使用逻辑回归和解释性刺激提供了一种解释模型和黑盒模型。通过评估 AACR GENIE 项目数据集，证明该方法的准确率高达 99.86％。该方法为神经纤维瘤病的诊断提供了新的解释性 AI 方法，并展示了人工智能在医学领域的潜力。
发现论文，激发创造
  • 机器学习算法的解释性方法在乳腺癌诊断中的应用

    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

  • 基于概念的可解释模型用于多模态数据诊断脉络膜肿瘤

    通过使用可解释的人工智能模型，我们的研究聚焦于罕见癌症眼部肿瘤的诊断，在集成领域专家的见解和放射学报告的基础上，我们的模型不仅在 F1 评分上与黑盒模型相媲美（0.91），而且还提高了初级医生的诊断准确性（提升了 42%），这一研究凸显了可解释的机器学习在改善罕见疾病的诊断方面的巨大潜力，并为未来医学人工智能在复杂健康场景中取得突破奠定了基础。

    Mar, 2024

  • 使用迁移学习方法的能够解释的人工智能在诊断和预测白血病中的应用

    利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

    Dec, 2023

  • 将黑盒模型精馏为可解释模型以实现有效的迁移学习

    本文介绍了如何使用可解释性模型进行 AI 模型的迁移学习，通过将深度神经网络分解成可解释的浅层模型，然后使用人类可解释概念构建了一组混合模型以实现针对未知领域的高效微调，最终使用半监督学习中的伪标签技术来在目标领域学习概念分类器并进行微调。在大规模胸部 X 射线分类数据集上评估了模型。

    May, 2023

  • 为所有人打造的网络 '：使用来自单个患者的纵向数据进行完全个性化和无监督的神经网络训练

    本研究研究了个性化神经网络在检测肿瘤进展方面的应用，采用对比增强 T1w 序列的磁共振成像，使用 Wasserstein-GAN 无监督网络架构构建模型，对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估，证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。

    Oct, 2022

  • IAIA-BL: 数字乳腺 X 线摄影乳类病变分类的基于案例的可解释深度学习模型

    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

  • 基于深度学习与可解释人工智能的基因组特征选择新算法

    本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

    Mar, 2023

  • 从深度神经网络中提取知识及其在医疗领域的应用

    本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

    Dec, 2015

  • BrainNNExplainer: 一种可解释的基于图神经网络的大脑网络疾病分析框架

    提出了一个可解释的 GNN 框架 BrainNNExplainer，用于脑网络分析，主要由两个联合学习的模块组成：为脑网络设计的骨干预测模型和突出疾病特定脑网络连接的解释生成器，广泛实验证明了 BrainNNExplainer 的独特解释性和优秀性能。

    Jul, 2021

  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023