构建并评估一种基于胸部X光片的COVID-19可解释诊断模型
图像与视频处理
2021-02-15 v2 计算机视觉与模式识别
机器学习
摘要
在本文中，我们的重点在于构建模型以辅助临床医生诊断COVID-19患者，适用于获取X光数据比获取CT扫描等高质量图像更容易且更便宜的情形。深度神经网络已被反复证明能够直接从图像数据构建高度预测性的疾病检测模型。然而，由于其黑箱性质，它们在辅助临床医生方面屡屡受挫。如果预测结果能附带以临床相关术语表达的解释，部分困难可得到缓解。本文使用深度神经网络直接从图像数据中提取领域特定特征（如磨玻璃影等形态学特征以及肺炎等疾病指征）。然后利用对这些特征的预测构建符号模型（决策树）用于从胸部X光片诊断COVID-19，并附带两类解释：视觉解释（显著性图，源自神经阶段）和文本解释（逻辑描述，源自符号阶段）。一位放射科医生对视觉与文本解释的有用性进行了评分。我们的结果表明，神经模型可有效用于从低级图像数据中识别领域特定特征；基于临床相关特征的文本解释可能具有用处；而视觉解释需具备临床意义才能发挥作用。
引用
@article{arxiv.2012.10787,
title = {Constructing and Evaluating an Explainable Model for COVID-19 Diagnosis from Chest X-rays},
author = {Rishab Khincha and Soundarya Krishnan and Tirtharaj Dash and Lovekesh Vig and Ashwin Srinivasan},
journal= {arXiv preprint arXiv:2012.10787},
year = {2021}
}