因果评分的医学图像解释：以离体肾结石图像为例
计算机视觉与模式识别
2023-09-06 v1
摘要
基于这样一种设想：如果人类用户知道输出的原因，就能使其把握产生该输出的过程，从而提供理解，许多可解释方法已被提出，用以根据模型输入指示其输出之原因。然而，关于输入、解释与模型输出之间此类因果关系的定量度量鲜有报道，致使评估留给了用户，且独立于其在该主题上的专业水平。为应对这一状况，我们探索了一种度量技术，用于衡量某一类别图像中感兴趣对象区域的特征与分类器输出之间的因果关系。我们的实验表明，当每一类的感兴趣对象区域由可解释方法的掩码指示时，所测得的因果关系优于由人类标注者指示的情况。因此选定名称为因果解释分数（Causal Explanation Score, CaES）。
引用
@article{arxiv.2309.01921,
title = {Causal Scoring Medical Image Explanations: A Case Study On Ex-vivo Kidney Stone Images},
author = {Armando Villegas-Jimenez and Daniel Flores-Araiza and Francisco Lopez-Tiro and Gilberto Ochoa-Ruiz andand Christian Daul},
journal= {arXiv preprint arXiv:2309.01921},
year = {2023}
}