用于医学图像一致注意力的凸优化层对偶分解

将机器学习模型整合到医学中的一个关键问题在于能够解释其推理过程。流行的可解释性方法在自然图像识别中已展现出令人满意的结果，然而在医学图像分析中，许多此类方法提供的是部分且含噪的解释。近来，注意力机制在其预测性能与可解释特性方面均显示出引人注目的结果。注意力的一个基本特性是它利用输入中对模型预测有贡献的显著部分。为此，我们的工作聚焦于注意力权重分布的解释价值。我们提出了一种多层注意力机制，利用凸优化在参与的卷积层之间强制一致的解释。我们应用对偶性，通过重新参数化各层的注意力概率分布来分解层间的一致性约束。我们进一步建议通过针对我们的目标进行优化来学习对偶见证；因此，我们的实现使用标准反向传播，因而效率很高。在保持预测性能的同时，我们提出的方法利用弱标注的医学成像数据，并为模型的预测提供完整且忠实的解释。