基于交互的卷积神经网络（ICNN）以更好理解COVID-19 X射线图像
计算机视觉与模式识别
2021-11-23 v1
摘要
可解释人工智能（XAI）领域旨在构建可解释、可理解的机器学习（或深度学习）方法，且不牺牲预测性能。卷积神经网络（CNNs）在预测方面已取得成效，尤其在图像分类中。然而，这些著名的深度学习模型使用基于大量预训练滤波器的数千万参数，这些滤波器是从先前数据集改用的。我们提出一种新颖的基于交互的卷积神经网络（ICNN），它不对局部信息的相关性作假设。相反，我们使用无模型的Influence Score（I-score，影响分数）直接从图像中提取有影响力的信息以形成重要变量模块。我们证明，所提方法在真实世界数据集上对COVID-19胸部X射线图像分类达到了99.8%的state-of-the-art预测性能，且不牺牲模型的解释力。该设计可在人工诊断前高效筛查COVID-19患者，并将成为解决大规模数据集中未来XAI问题的基准。
引用
@article{arxiv.2106.06911,
title = {An Interaction-based Convolutional Neural Network (ICNN) Towards Better Understanding of COVID-19 X-ray Images},
author = {Shaw-Hwa Lo and Yiqiao Yin},
journal= {arXiv preprint arXiv:2106.06911},
year = {2021}
}