Barttender：一种可解释且易于上手的医学影像与非影像数据比较方法
定量方法
2024-11-20 v1 计算机视觉与模式识别
摘要
影像基深度学习已在医疗保健研究中取得变革性成果，但其临床应用仍受限于如何将影像模型与传统非影像和表格数据进行比较的挑战。为弥合这一差距，我们提出 Barttender——一个可解释框架，通过深度学习直接比较影像与非影像表格数据在诸如疾病预测等任务中的实用性。Barttender 将来自电子健康记录的非影像表格特征（如标量数据）转换为灰度条形图，从而实现对两种数据模态的可解释且可扩展的深度学习建模。该框架允许研究人员通过绩效指标，以及局部（样本级别）和全局（人群级别）解释来评估实用性差异。我们引入一种新颖的度量，用于定义基于图像的深度学习模型的全局特征重要性，我们称之为 gIoU。在 CheXpert 和 MIMIC 数据集上进行实验（包含胸部 X 光片和来自电子健康记录的标量数据），结果表明 Barttender 的性能与传统方法相当，并能利用深度学习模型提供更好的可解释性。
引用
@article{arxiv.2411.12707,
title = {Barttender: An approachable & interpretable way to compare medical imaging and non-imaging data},
author = {Ayush Singla and Shakson Isaac and Chirag J. Patel},
journal= {arXiv preprint arXiv:2411.12707},
year = {2024}
}
备注
Accepted to the Proceedings Track at Machine Learning for Health (ML4H 2024) conference, held on December 15-16, 2024 in Vancouver, Canada