Don't PANIC：用于阿尔茨海默病可解释分类的原型加性神经网络
机器学习
2023-03-15 v2 计算机视觉与模式识别
摘要
阿尔茨海默病（AD）具有复杂且多因素的病因，需要整合神经解剖、遗传和脑脊液生物标志物信息以准确诊断。因此，近期深度学习方法结合图像与表格信息以提升诊断性能。然而，此类神经网络的黑盒性质仍是临床应用的障碍，在其中理解异构模型的决策至关重要。我们提出PANIC，一种用于可解释AD分类、整合3D图像与表格数据的原型加性神经网络。它从设计上即可解释，从而避免了需事后解释来近似网络决策。我们的结果表明PANIC在AD分类中达到SOTA性能，同时直接提供局部与全局解释。最后，我们展示PANIC提取了具有生物学意义的AD特征，并满足可信机器学习的一组期望属性。我们的实现见 https://github.com/ai-med/PANIC 。
引用
@article{arxiv.2303.07125,
title = {Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease},
author = {Tom Nuno Wolf and Sebastian Pölsterl and Christian Wachinger},
journal= {arXiv preprint arXiv:2303.07125},
year = {2023}
}
备注
To be published in proceedings of Information Processing In Medical Imaging 2023