CIDMP：基于低维特征空间完全可解释的红细胞疟疾寄生虫检测
计算机视觉与模式识别
2020-10-05 v1 机器学习
图像与视频处理
摘要
预测红细胞（RBC）是否感染疟疾寄生虫是病理学中的一个重要问题。近来，有监督机器学习方法已被用于该问题，并取得了合理的成功。特别是，诸如卷积神经网络（Convolutional Neural Networks）之类的先进方法从图像像素中自动提取日益复杂的特征层次。尽管这种通用的自动特征提取方法在许多领域显著减轻了特征工程的负担，但对于本文所考虑的这类小众任务，它们会导致两个主要问题。首先，它们使用非常大量的特征（可能相关也可能不相关），因此训练此类模型在计算上代价高昂。此外，更重要的是，庞大的特征空间使得很难解释哪些特征对预测真正重要。因此，对此类方法的一个批评是，学习算法对其用户（在此为医学专家）而言构成了不透明的黑箱。这类算法的推荐结果易于理解，但其推荐原因并不清晰。这就是模型不可解释性的问题，且性能最佳的算法通常最不可解释。为解决这些问题，本文提出一种方法，提取极少数易于解释和计算的综合特征，并经验性地表明，即使在显著缩减的特征空间下，我们也能获得较高的预测准确率。
引用
@article{arxiv.2007.02248,
title = {CIDMP: Completely Interpretable Detection of Malaria Parasite in Red Blood Cells using Lower-dimensional Feature Space},
author = {Anik Khan and Kishor Datta Gupta and Deepak Venugopal and Nirman Kumar},
journal= {arXiv preprint arXiv:2007.02248},
year = {2020}
}
备注
Accepted in The 2020 International Joint Conference on Neural Networks (IJCNN 2020) At Glasgow (UK)