结合相似性与对抗学习生成视觉解释：在医学图像分类中的应用

解释黑盒分类器的决策在医学影像等敏感领域至关重要，因为临床医生的信任是采用所必需的。人们已提出多种解释方法，其中基于扰动的方法非常有前景。在这类方法中，我们利用一个学习框架来产生我们的视觉解释方法。对于给定的分类器，我们训练两个生成器从输入图像生成所谓的相似图像与对抗图像。相似图像应与输入图像被分为同一类，而对抗图像则不应。视觉解释构建为这两个生成图像之间的差异。使用文献中的度量指标，我们的方法优于最先进的（SOTA）方法。所提方法是模型无关的，且在预测时计算负担低，因此适用于实时系统。最后，我们表明应用于原始图像的随机几何增强起到了正则化作用，可改善若干先前提出的解释方法。我们在一个大型胸部 X 射线数据库上验证了我们的方法。