利用人类可解释原型增强椎体骨折分级的可解释性
计算机视觉与模式识别
2024-08-01 v2 人工智能
摘要
椎体骨折分级是对椎体骨折严重程度进行分类，这是医学成像中一项具有挑战性的任务，最近吸引了深度学习（DL）模型的参与。尽管在 DL 辅助医学诊断等关键应用场景中需要透明度和可信赖性，但仅有少数工作试图使此类模型具备人类可解释性。此外，此类模型要么依赖事后解释方法，要么需要额外的标注。在本工作中，我们提出了一种新颖的天然可解释方法 ProtoVerse，用于寻找椎体骨折的相关子部分（原型），以人类可理解的方式可靠地解释模型的决策。具体而言，我们引入了一种新颖的促进多样性的损失函数，以缓解在语义复杂的小型数据集中原型重复的问题。我们在 VerSe'19 数据集上进行了实验，并优于现有的基于原型的方法。此外，与事后解释方法相比，我们的模型提供了更优的可解释性。重要的是，专家放射科医师验证了我们结果的视觉可解释性，展示了其临床适用性。
引用
@article{arxiv.2404.02830,
title = {Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes},
author = {Poulami Sinhamahapatra and Suprosanna Shit and Anjany Sekuboyina and Malek Husseini and David Schinz and Nicolas Lenhart and Joern Menze and Jan Kirschke and Karsten Roscher and Stephan Guennemann},
journal= {arXiv preprint arXiv:2404.02830},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:015