CT图像中肺结节基于概念的可解释恶性评分
图像与视频处理
2024-05-29 v1 人工智能
机器学习
摘要
为了提高用于评估肺结节恶性程度的现代计算机辅助诊断系统的透明度，提出了一种基于应用广义加性模型和基于概念学习的可解释模型。该模型除了输出最终的恶性回归分数外，还检测一组具有临床意义的属性，并学习肺结节属性与最终诊断决策之间的关联及其对决策的贡献。所提出的基于概念的学习框架根据不同概念（数值型和类别型）、它们的值及其对最终预测的贡献，提供人类可读的解释。在LIDC-IDRI数据集上的数值实验表明，使用所提出的模型（明确探索内部关系）获得的诊断结果与临床实践中观察到的类似模式一致。此外，所提出的模型展现出具有竞争力的分类和结节属性评分性能，凸显了其在肺结节诊断中有效决策的潜力。
引用
@article{arxiv.2405.17483,
title = {Concept-based Explainable Malignancy Scoring on Pulmonary Nodules in CT Images},
author = {Rinat I. Dumaev and Sergei A. Molodyakov and Lev V. Utkin},
journal= {arXiv preprint arXiv:2405.17483},
year = {2024}
}