Oct, 2023

可解释的医学图像分类利用原型学习和特权信息

PDF
TL;DR探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。
发现论文，激发创造
  • ProtoAL: 面向医学成像的可解释深度主动学习与原型

    通过将可解释的深度学习模型集成到深度主动学习框架中，ProtoAL 方法旨在解决医学图像领域中当前解释性和数据需求方面的挑战，提高 DL 模型在医学领域中的实际可用性，并为数据稀缺情况下的学习提供合适的解决方案。

    Apr, 2024

  • 评估医疗分类模型的属性和原型的可解释性

    基于 Proto-Caps 模型的 AI 方法和 xAI 解决方案提供了可理解的多模态解释，对放射科医师的决策过程有帮助，但需要进一步开发和重复用户研究以适应相应的用例。

    Apr, 2024

  • 这像那样：用深度学习进行可解释的图像识别

    介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

    Jun, 2018

  • 基于原型的可解释性乳腺癌预测模型：分析与挑战

    通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量，我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型，发现原型质量有待改善以提高相关性、纯度和学习多样性。

    Mar, 2024

  • 使用 PIP-Net 解读和修正医学图像分类

    本文探讨了可解释性机器学习在实际医学影像数据自动诊断支持方面的适用性和潜力，尤其是 PIP-Net 原型部分模型，对于骨折检测和皮肤癌诊断的准确性和可解释性进行了评估。

    Jul, 2023

  • 可解释图像识别的原型解释

    通过量化影响色调、形状、纹理、对比度和饱和度的视觉特征，提高基于原型的图像识别的可解释性。

    Nov, 2020

  • 可解释的图像分类与可微分原型分配

    ProtoPool 是一种可解释的图像分类模型，共享类别的原型池，并采用完全可微分的方法将原型分配给特定的类别，同时还引入了新颖的聚焦相似函数，将模型集中于罕见的前景特征，它在 CUB-200-2011 和 Stanford Cars 数据集上取得了最先进的准确性，同时大大减少了原型的数量。

    Dec, 2021

  • 深度学习用于可解释的自然语言处理

    利用原型学习方法和自然语言处理，我们提出了一种学习加权相似度度量的方法，增强了相似度计算，并提出了一个可提取预测相关单词的解释机制来改进预测性能和解释质量。

    Oct, 2023

  • 可解释的乳腺 X 线分类：基于案例推理和深度学习的方法

    介绍了一种新颖的可解释神经网络算法，并使用病例推理来辅助放射科医生进行乳腺摄影。 与其他方法相比，我们的模型以相同或更高的准确率检测临床特征（肿块边缘），提供了更详细的预测解释，并能更好地区分图像的分类相关部分。

    Jul, 2021

  • 临床文本的原型网络对诊断预测的可解释性

    使用基于原型网络和标签注意力机制的 ProtoPatient 方法可准确预测临床文本中的诊断，并为医生提供可解释和有用的结果，定量和定性评估表明该模型优于现有基线模型，医学医生的进一步验证证明了该模型为临床决策支持提供了有价值的解释。

    Oct, 2022