DermX：一种用于可解释自动化皮肤病诊断的端到端框架
图像与视频处理
2022-10-04 v2 计算机视觉与模式识别
机器学习
摘要
皮肤病诊断自动化对于应对皮肤病的高患病率与皮肤科医生的严重短缺至关重要。尽管卷积神经网络（ConvNet）已接近专家级诊断性能，但其有限的解释性，以及主观且昂贵的解释性验证，阻碍了其在临床实践中的采用。我们提出 DermX 与 DermX+，一种用于可解释自动化皮肤病诊断的端到端框架。DermX 是一个受临床启发的可解释皮肤病诊断 ConvNet，使用 DermXDB 训练；该数据集含 554 张图像，由八位皮肤科医生标注了诊断、支持性解释及解释注意力图。DermX+ 通过引导注意力训练对解释注意力图扩展 DermX。两种方法均达到近专家诊断性能，DermX、DermX+ 与皮肤科医生的 F1 分数分别为 0.79、0.79 与 0.87。我们分别通过对比模型所选与皮肤科医生所选解释、以及梯度加权类激活图与皮肤科医生解释图，从识别与定位两方面评估解释性能。DermX 识别 F1 分数为 0.77，DermX+ 为 0.79。定位 F1 分数 DermX 为 0.39，DermX+ 为 0.35。这些结果表明，可解释性未必以预测能力为代价，因为我们高性能模型在不降低诊断性能的前提下，为其诊断提供了受专家启发的解释。
引用
@article{arxiv.2202.06956,
title = {DermX: an end-to-end framework for explainable automated dermatological diagnosis},
author = {Raluca Jalaboi and Frederik Faye and Mauricio Orbes-Arteaga and Dan Jørgensen and Ole Winther and Alfiia Galimzianova},
journal= {arXiv preprint arXiv:2202.06956},
year = {2022}
}