ContrastDiagnosis：利用对比学习增强肺结节诊断的可解释性
计算机视觉与模式识别
2024-03-11 v1
摘要
随着深度学习的不断发展，越来越多的 AI 模型在性能上超越了人类临床医生。然而，AI 诊断产品在实际临床实践中的普及率仍远低于预期。造成这一差距的一个关键原因是 AI 模型所谓的“黑盒”性质。临床医生对黑盒模型的不信任直接阻碍了 AI 产品的临床部署。为应对这一挑战，我们提出了 ContrastDiagnosis，一个简单而有效的可解释诊断框架。该框架旨在引入固有的透明度，并为深度学习模型提供广泛的事后可解释性，使其更适用于临床医学诊断。ContrastDiagnosis 结合了对比学习机制，以提供基于案例推理的诊断依据，从而增强模型的透明度，并通过高亮相似区域提供事后可解释性。该模型在保持高透明度和可解释性的同时，实现了 0.977 的高诊断 AUC。
引用
@article{arxiv.2403.05280,
title = {ContrastDiagnosis: Enhancing Interpretability in Lung Nodule Diagnosis Using Contrastive Learning},
author = {Chenglong Wang and Yinqiao Yi and Yida Wang and Chengxiu Zhang and Yun Liu and Kensaku Mori and Mei Yuan and Guang Yang},
journal= {arXiv preprint arXiv:2403.05280},
year = {2024}
}