CAIPI 实践：面向可解释交互式医学图像分类

如果医生无法向你解释其决策，你还会信任他们吗？在过去十年中，使用机器学习的医学诊断变得极为重要。然而，若无进一步改进，许多最先进的机器学习方法并不适用于医学应用。最重要的原因在于数据集质量不足，以及机器学习算法（如深度学习模型）的黑箱行为。因此，最终用户无法纠正模型的决策及其相应解释。后者对于医学领域机器学习可信性至关重要。可解释交互式机器学习这一研究领域致力于寻找同时解决这两类缺陷的方法。本文扩展了可解释且交互式的 CAIPI 算法，并提供一个接口以简化人机协同（human-in-the-loop）的图像分类方法。该接口使最终用户能够 (1) 探查并 (2) 纠正模型的预测与解释，以及 (3) 影响数据集质量。在经过每轮仅使用单个反例的 CAIPI 优化后，模型在 Medical MNIST 上达到 $97.48\%$ 的准确率，在 Fashion MNIST 上达到 $95.02\%$ 的准确率。该准确率约等于最先进的深度学习优化过程。此外，CAIPI 将标注工作量减少了约 $80\%$。