基于可解释不确定性贝叶斯量化提升 3D 新冠肺炎 CT 扫描的诊断

准确分类 3D CT 扫描中的新冠肺炎仍是医学图像分析领域的重大挑战。虽然确定性神经网络在该领域显示出有前景的成果，但仅提供点估计输出，导致临床决策时的诊断效果不佳。本文我们探索了使用贝叶斯神经网络对 3D CT 扫描进行新冠肺炎分类，提供预测的不确定性。我们比较了确定性网络与其贝叶斯对应物，提升了在不确定性信息下的决策准确性。令人惊讶的是，我们的发现表明，轻量级架构在进行 extensive 的超参数调优后实现了最高的 96% 准确率。此外，采用 Multiplied Normalizing Flow 技术的贝叶斯对应物在保持类似性能的同时实现了校准的不确定性估计。最后，我们开发了一种基于 SHAP 值的 3D 可视化方法来解释神经网络的结果。我们得出结论，解释性与不确定性量化将为医学图像分析中的临床决策提供更好的支持，推动了提高新冠肺炎诊断和治疗的ongoing 努力。