透过语法进化和数据增强实现可解释的乳腺癌诊断方案

Jan, 2024

透过语法进化和数据增强实现可解释的乳腺癌诊断方案

Interpretable Solutions for Breast Cancer Diagnosis with Grammatical Evolution and Data Augmentation

Yumnah Hasan, Allan de Lima, Fatemeh Amerehi, Darian Reyes Fernandez de Bulnes, Patrick Healy...

TL;DR医学影像诊断日益依赖机器学习模型，然而严重不平衡的数据集和有限的可解释性一直是困扰。本文通过展示一种相对新的合成数据生成技术 STEM，演示了如何使用它来训练由语法进化（GE）产生的具有内在可解释性的模型。我们在两个数据集上进行了测试，并将结果与一组八个标准机器学习分类器的前三个表现最好的分类器的 AUC 进行了比较，结果表明 GE 衍生的模型在保持可解释性的同时具有最佳的 AUC。

Abstract

medical imaging diagnosis increasingly relies on Machine Learning (ML) models. This is a task that is often hampered by severely imbalanced datasets, where positive cases can be quite rare. Their use is further c

medical imaging diagnosis machine learning models imbalanced datasets synthetic data generation interpretable solutions

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

STEM 平衡法：使用 SMOTE、最近邻编辑和混合方法解决数据不平衡问题的新方法

使用 Mixup 增强技术和 STEM 方法解决医学影像中不平衡数据问题，研究在乳腺癌问题上的应用效果，取得了较高的 AUC 值，并在机器学习分类器集成中展现了潜在潜力。

Nov, 2023

SHAMSUL: 利用本地可解释性方法进行热图分析以研究医学意义

本研究旨在通过使用四种深度神经网络可解释性方法，对多标签 - 多类胸部放射学数据集进行分析和比较，以提高医学领域的可解释性，并建议可以引入多模态信息进一步提高研究结果的准确性。

Jul, 2023

乳腺癌诊断：可解释人工智能（XAI）技术的全面探索

乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

Jun, 2024

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

基于梯度提升算法的乳腺癌分类，重点减少假阴性并使用 SHAP 解释性

通过使用四种提升算法：AdaBoost、XGBoost、CatBoost 和 LightGBM，研究了乳腺癌的预测和诊断，以及针对召回率、ROC-AUC 和混淆矩阵的最有效度量标准。同时使用 Optuna 进行超参数优化，利用 SHAP 方法提高模型的可解释性，旨在帮助鉴定和预测乳腺癌，有效减少误诊率且达到更多的 AUC 值。

Mar, 2024

可解释模型处理失衡类别和异构数据中的系统性缺失

本文介绍了一种基于原型的可解释模型，在应对特定医学数据集的问题时，不仅能够具备可解释性，还能保持高性能。通过对一个合成和两个真实医学数据集的详细分析，这些模型得以证明在处理医学数据方面的有效性，可成为医学诊断提供支持。

Jun, 2022

了解乳腺癌生存：使用因果关系和语言模型分析多组学数据

本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

May, 2023

深度学习乳腺癌筛查交互解释性系统

该论文提出了一种交互式系统，通过利用最先进的可解释性技术与深度学习模型，帮助放射科医生在乳腺癌筛查中理解模型决策的过程，并且利用用户交互逐步提供更细致的可解释性报告，从而促进医学 AI 的采纳。

Sep, 2022

FPN-IAIA-BL: 数字乳房 X 线照片乳房肿块边界分类的多尺度可解释性深度学习模型

数字乳房 X 线摄影是乳腺癌检测的关键，而深度学习为更快、更准确的乳房 X 线分析提供了有前途的工具。然而，在放射学和其他高风险环境中，不可解释的（“黑盒子”）深度学习模型不适用，并且这些领域对于希望创建可解释模型的呼声很高。最近在可解释计算机视觉方面的研究通过利用案例解释中的原型实现透明性，提供了高准确性的应用，包括乳房 X 线摄影。然而，这些模型在精确特征定位方面存在困难，当只有一小部分图像相关时，需要对图像的大部分进行推理。本文通过提出一种新的多尺度可解释深度学习模型来解决这一差距，用于乳房 X 线摄影的肿块边缘分类。我们的贡献不仅提供了一个可解释的模型，其推理与放射科医生的实践相吻合，而且提供了一个通用架构，用于从粗粒度到细粒度的用户可配置的原型。

Jun, 2024