基于类节点图注意力网络的注意力图在三维牙龄分期评估中的应用

深度学习为医学和法医学等领域的许多识别任务自动化提供了有前景的途径。然而，这些模型的黑箱特性阻碍了它们在需要信任和可问责性的高风险应用中的采用。特别是针对三维形状识别任务，本文引入了类节点图注意力网络（Class Node Graph Attention Network, CGAT）架构来满足这一需求。将CGAT应用于从锥形束计算机断层扫描（CBCT）图像中提取的第三磨牙三维网格，以进行Demirjian分期分配，CGAT利用图注意力卷积和固有的注意力机制，并通过注意力流（attention rollout）进行可视化，以解释其决策过程。我们评估了局部平均曲率和到质心的距离这两种节点特征，无论是单独使用还是组合使用，以及模型深度，发现包含指向全局CLS节点的有向边的模型能产生更直观的注意力图，同时也能获得理想的分类性能。我们分析了模型基于注意力的解释及其预测性能，以提出CGAT的最佳设置。局部平均曲率和到质心的距离的组合作为节点特征，使加权F1分数略微提升至0.76，并提供了更全面的注意力可视化。CGAT架构生成人类可理解的注意力图的能力，可以增强信任并促进专家对模型决策的验证。虽然本文在牙科数据上进行了演示，但CGAT广泛适用于基于图的分类和回归任务，从而促进透明且有竞争力的深度学习模型在高风险环境中的更广泛应用。