CrossEAI：利用可解释AI为胸部X光图像生成更优边界框

可解释性对于医疗深度学习应用至关重要，根据法律法规和责任，其被要求向患者和医生提供解释。可解释AI方法，如利用积分梯度进行特征重要性分析、使用LIME进行模型近似、或利用神经元激活与层传导性为特定健康风险预测提供解释。在医学影像诊断中，疾病分类通常达到较高准确率，但生成的边界框交并比（IoU）却低得多。已有不同采用自监督或半监督学习策略的方法被提出，但边界框生成的改进甚微。先前工作表明，这些方法生成的边界框通常大于真实标注并包含主要非病灶区域。本文利用事后可解释AI方法的优势为胸部X光影像诊断生成边界框。本工作中，我们提出CrossEAI，其结合热力图与梯度图以生成更具针对性的边界框。通过使用Guided Backpropagation与Grad-CAM++的加权平均，我们能够生成更接近真实标注的边界框。我们在胸部X光数据集上评估了模型。在相同设置下，性能较SOTA模型有显著提升，所有疾病在所有IoU上的平均提升为$9\%$。此外，作为一个训练时未使用任何真实边界框信息的模型，我们总体达到了与使用$80\%$真实边界框信息训练的模型相同的性能。