一种基于概念的可解释模型用于利用多模态数据诊断脉络膜肿瘤
机器学习
2024-03-12 v1 人工智能
计算与语言
计算机视觉与模式识别
摘要
诊断罕见病是临床实践中的一个共同挑战，需要专家的专业知识才能准确识别。机器学习的出现提供了一个有希望的解决方案，但由于罕见病数据的稀缺以及临床环境中对可解释且可信模型的需求，此类技术的发展受到阻碍。可解释 AI 凭借其生成人类可读输出的能力，可以促进临床医生的验证并有助于医学教育。在目前的工作中，我们关注脉络膜肿瘤，这是成人中最常见的眼癌形式，尽管罕见，发病率为百万分之 5.1。我们构建了迄今为止最大的数据集，包含 750 名患者，整合了 2004 年至 2022 年收集的三种不同成像模态。我们的工作引入了一种基于概念的可解释模型，用于区分三种类型的脉络膜肿瘤，并通过放射学报告整合了领域专家的见解。值得注意的是，该模型不仅实现了 0.91 的 F1 分数，可与黑盒模型相媲美，还将初级医生的诊断准确率提高了 42%。这项研究强调了可解释机器学习在改善罕见病诊断方面的巨大潜力，为未来医疗 AI 突破奠定了基础，以应对更广泛的复杂健康场景。
引用
@article{arxiv.2403.05606,
title = {A Concept-based Interpretable Model for the Diagnosis of Choroid Neoplasias using Multimodal Data},
author = {Yifan Wu and Yang Liu and Yue Yang and Michael S. Yao and Wenli Yang and Xuehui Shi and Lihong Yang and Dongjun Li and Yueming Liu and James C. Gee and Xuan Yang and Wenbin Wei and Shi Gu},
journal= {arXiv preprint arXiv:2403.05606},
year = {2024}
}