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

通过分析筛选乳腺X线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

May, 2023

本文提出了一种基于弱监督学习的Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

通过学习静态图像和动态视频的特征，并探索两种模态之间的潜在关系，我们提出了一种模拟放射科医生诊断过程的多模态乳腺肿瘤诊断模型，在在融合多模态特征之前，将动态视频特征在专业放射科医生指导下聚合。在897套乳腺超声图像和视频的数据集上进行实验证实，我们的模型提高了良性/恶性分类的性能，AUC达到90.0%，准确率为81.7%。

Aug, 2023

提出了MT-BI-RADS方法，通过三个层次的解释提高放射科医生对乳腺超声图像中肿瘤恶性程度预测过程的理解。

Aug, 2023

通过使用来自1,540名患者的2,945张乳腺超声图像，研究了不同BI-RADS定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明，使用多种先进的分类架构（包括VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet和Vision Transformers），而非传统的机器学习模型，通过全方位的分析，我们的计算机辅助诊断(CAD)系统显著提高了准确性，在全fine-tuning设置下的准确率为76.39%和F1分数为67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高，为未来旨在改善医学成像CAD系统的精确度和可靠性的努力奠定了坚实的基础。

Nov, 2023

通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用CBIS-DDSM数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN和XAI的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高AI决策的可解释性，为医学专业人员和患者提供更好的协作。

Apr, 2024

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的ROIs的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化ROI注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

Apr, 2024

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

本研究解决了现有深度神经网络（DNN）在超声图像解释中的局限性，提出了病灶概念解释器（LCE）框架，结合归因方法与概念基础方法以改进可解释性。通过引入针对医学图像的“随意分割模型”（SAM），该框架在各类超声图像数据集上表现优异，提供更可信赖和可理解的解释，尤其在细粒度诊断任务中具有重要影响。

Aug, 2024