可解释深度学习在神经影像中的应用：综合综述
图像与视频处理
2024-06-27 v1 计算机视觉与模式识别
神经元与认知
摘要
临床接受深度学习模型存在障碍，部分原因是神经网络的黑箱本质导致对其可信度和可靠性的担忧。这些担忧在神经影像领域尤为突出，因为该领域常遇到复杂的脑表型和个体间的异质性。可以通过可解释深度学习（iDL）方法来应对这一挑战，这些方法使我们能够可视化和解释深度学习模型的内部工作原理。本研究系统性地综述了iDL方法在神经影像应用中的文献，并批判性地分析了iDL解释属性如何被评估。纳入75项研究，识别出十个iDL方法类别。我们还回顾了五个iDL解释属性的研究，这些属性在被纳入的研究中被分析：生物学有效性、鲁棒性、连续性、选择性以及下游任务性能。我们发现文献中最流行的iDL方法可能不适用于神经影像数据，本文讨论了该领域的可能的未来方向。
引用
@article{arxiv.2406.17792,
title = {Applications of interpretable deep learning in neuroimaging: a comprehensive review},
author = {Lindsay Munroe and Mariana da Silva and Faezeh Heidari and Irina Grigorescu and Simon Dahan and Emma C. Robinson and Maria Deprez and Po-Wah So},
journal= {arXiv preprint arXiv:2406.17792},
year = {2024}
}