Mar, 2024

临床领域知识衍生的模板在气胸分类中改善事后 AI 解释

PDF
TL;DR在患有气胸的诊断背景下，我们提出了一种模板引导方法来改进人工智能解释。我们预计我们的模板指导方法将通过整合临床领域专业知识，为阐明人工智能模型打开一种新方法。
pneumothoraxexplainable artificial intelligencedeep learning modelstemplate-guided approachmodel explanations
发现论文，激发创造
  • 如何设计一个利用领域知识诊断气胸的模型：医生的方法

    为了解决医疗影像诊断中数据不足和罕见疾病无法获得真实样本的问题，本文结合专家领域知识使用知识工程概念设计了一种基于智能模型的自动肺气胸诊断模型。

    May, 2022

  • 基于解剖限制与不确定性的气胸分割

    提出了一种新颖的方法，在 2D 胸部放射学图像上训练深度学习模型进行自动肺气肿分割，通过将肺 + 空间作为约束来提高分割性能。

    Nov, 2023

  • 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

  • 利用深度学习和可解释人工智能技术对胸部 X 光图像进行可解释性肺疾病分类

    通过深度学习技术，本研究旨在将不同的肺部疾病分为五类，并以 96.21% 的准确率通过 Xception 模型进行分类和诊断。

    Apr, 2024

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

    Jan, 2020

  • 通过先验知识引导的深度强化学习框架用于胸部疾病分类

    本论文提出基于深度强化学习的诊断模型，并引入先验知识来指导诊断算法的学习，通过不断探索来提高诊断的准确性和模型的泛化能力，并在 NIH ChestX-ray 14 和 CheXpert 数据集上取得了竞争性的结果。

    Jun, 2023

  • 面向诊所可信人工智能的情境依赖性可解释性与可争辩性：早产儿患病识别模型中的误分辨识别

    该研究通过解释 AI 推荐来支持临床医生识别 ML 模型训练中的失误，并提出了一种基于临床背景潜在空间、全局解释和基于潜在空间相似性的本地解释的方法来支持医生鉴定基于表格数据的 ML 模型的失误，在早产儿并发症的风险评估中取得了成功应用，并提供临床实用的支持建议。

    Dec, 2022

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 利用文本概念解释胸部 X 光病理模型

    本文提出了利用已有的视觉 - 语言模型 (Visual-Language Model, VLM) 联合嵌入空间的概念对立解释来解释黑盒分类器结果的方法，无需注释的数据集。通过利用胸部放射学报告中的文本概念和基于胸部放射学的预训练 VLM，解释了三种常见的心胸病理，证明了我们的方法生成的解释在语义上是有意义的，忠实于潜在的病理。

    Jun, 2024

  • 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