基于原型的可解释性乳腺癌预测模型：分析与挑战

Mar, 2024

基于原型的可解释性乳腺癌预测模型：分析与挑战

Prototype-based Interpretable Breast Cancer Prediction Models: Analysis and Challenges

Shreyasi Pathak, Jörg Schlötterer, Jeroen Veltman, Jeroen Geerdink, Maurice van Keulen...

TL;DR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。

Abstract

deep learning models have achieved high performance in medical applications, however, their adoption in clinical practice is hindered due to their black-box nature. self-explainable models, like prototype-based m

deep learning models self-explainable models prototype evaluation framework breast cancer prediction prototype quality

发现论文，激发创造

可解释的医学图像分类利用原型学习和特权信息

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。

Oct, 2023

Proto-BagNets 的本地和全局可解释性设计

介绍了 Proto-BagNets，一种可解释性设计的基于原型的模型，结合了局部特征模型和原型学习的优势，为准确和可解释的图像分类任务提供了有意义、连贯和相关的原型部分。在公开可用的视网膜 OCT 数据上对 Proto-BagNet 进行了玻璃体腔检测的评估，Proto-BagNet 在提供忠实、准确和临床有意义的局部和整体解释的同时，与最先进的可解释和不可解释模型的性能相当。

Jun, 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

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

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

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

基于原型引导的可解释反事实解释

使用类原型的快速、模型无关方法可以找到分类器预测的可解释因果关系解释，并且该方法通过两个新的度量标准在实例级别上定量评估局部可解释性。该方法在图像数据集 MNIST 和表格数据集 Breast Cancer Wisconsin（Diagnostic）上得到了有效的验证，同时消除了由于数值梯度评估而产生的计算瓶颈。

Jul, 2019

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）

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。

Feb, 2024

看起来比那个更好：使用 ProtoPNeXt 获得更好的可解释模型

使用 ProtoPNeXt 框架，结合贝叶斯超参数调整和角度原型相似度度量，有效提高了原始 ProtoPNet 在 CUB-200 上的准确性，同时优化了原型的可解释性，产生了具有显著改进的模型。

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