Jun, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 基底细胞癌诊断的一致性。建立适当的标准来训练人工智能工具

    基于多名皮肤科医生的共识所推断的基准策略训练的人工智能工具相较于仅由一名皮肤科医生的基准策略训练的工具表现出显著差异，因此在确定皮肤病变中的基底细胞癌模式时，需要谨慎选择合适的基准策略。

    Jun, 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）

    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

  • 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

  • 人工智能在临床黑素瘤诊断中的应用：一项前瞻性多中心研究的洞见

    通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较，我们评估了 “全数据扩展”（ADAE）算法在黑素瘤检测中的诊断准确性，并提高了算法的泛化能力。与皮肤科医生相比，AI 在异质数据集上表现出更高的平衡准确度和敏感度，但牺牲了特异性。因此，AI 在诊断复杂情况时可能有潜力支持皮肤科医生。

    Jan, 2024

  • 协作人工智能（CHAI）：基于证据的皮肤镜图像的可解释性黑色素瘤分类

    提出一种基于证据的分类方法，利用 CNN，三元损失和全局平均池化学习特征嵌入，通过 kNN 搜索分类，并以发现的邻居和最相关的局部图像区域作为证据。通过实现一种新的分级三元逻辑，根据疾病标签和非专家相似性一起学习嵌入，以确保结果对于任何技能水平的人来说都具有标签准确性和视觉相似性，从而改善了基于疾病标签和标准多类损失的基准结果，并显着改善了结果的定量相关性和局部图像区域。

    May, 2018

  • 皮肤病变筛查的自动化自我监督学习

    该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

    Nov, 2023

  • 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

  • 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

  • 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

  • WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

    该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

    Aug, 2018