Feb, 2024

利用原型和非专业监督进行皮肤癌检测的可解释人工智能（XAI）

PDF
TL;DR通过可解释的原型 - 部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导，我们提出了一种新的黑素瘤诊断方法，实验证明即使没有专家监督，我们的方法在性能和泛化程度上均优于不可解释的模型。
skin cancer detectiondermoscopy image analysisinterpretable prototypical-part modeldiagnosis of melanomauser-refined prototypes
发现论文，激发创造
  • 通过重写模型决策实现可信的皮肤癌诊断

    本文研究了深度神经网络在皮肤癌诊断中可能存在的混淆因素问题，并提出了人类介入的模型训练框架，在黑盒模型解释性概念空间中解释了复杂特征表示，并对数据集进行了清洗，最终提高了模型的性能与可靠性。

    Mar, 2023

  • 基于人工智能的皮肤癌诊断：Grad-CAM 和专家批注提高可解释性

    开发了一种人工智能工具，通过远程皮肤病学为基底细胞癌（BCC）的诊断提供了可解释的支持，从而加快了转诊流程并优化了资源利用。

    Jun, 2024

  • 医学图像中基于一致性概念的解释及其在皮肤病诊断中的应用

    本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用，该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化，其结果表明该模型优于现有黑盒和概念模型。

    Apr, 2023

  • 皮肤癌分类的可解释深度学习方法

    使用现代深度学习方法和可解释人工智能（XAI）来解决皮肤癌检测问题，采用四个先进的预训练模型进行皮肤病变分类，XceptionNet 被确定为表现最佳的模型，本研究展示了深度学习和可解释人工智能（XAI）如何改善皮肤癌诊断，为医学图像分析领域未来的发展奠定了基础。

    Dec, 2023

  • 多任务可解释性皮肤病变分类

    通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

    Oct, 2023

  • MICA：通过多级图像概念对齐实现可解释性皮肤病病变诊断

    通过使用黑盒深度学习方法，并结合可解释的人工智能和基于概念的方法，在医学图像分析领域提出一种多模态可解释疾病诊断框架，以实现模型可解释性、高性能和标签效率的平衡。

    Jan, 2024

  • 基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

    这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是 Google 基于 ViT patch-32 变体，达到 96.15% 的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

    Jan, 2024

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 走向新类型发现：新皮损聚类研究

    提出一种基于已知类别知识自动发现皮肤镜图像数据集中新语义类别的新颖类别发现框架，借助对已知类别知识的学习，采用对比学习和多视角交叉伪监督策略来建立特征表示，并通过众包和本地样本相似性聚合来改进模型的聚类性能。在 ISIC 2019 皮肤科数据集上进行广泛实验，结果表明，该方法能够有效利用已知类别知识发现新的语义类别。

    Sep, 2023

  • 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