基于证据推理的可解释性疾病筛查

疾病筛查对于早期检测和及时干预临床实践至关重要。然而，当前大多数医学图像筛查模型都存在可解释性有限和性能次优的问题，常缺乏有效机制引用历史病例或提供透明的推理路径。为此，我们提出EviScreen——一种基于证据推理的疾病筛查框架，通过历史病例的区域级证据实现。所提出的EviScreen通过从双知识库中检索的区域证据实现回顾式可解释性。借助该证据机制，证据感知推理模块通过结合当前病例及历史病例的证据进行预测，从而提升疾病筛查性能。此外，EviScreen通过利用从对比检索中派生的异常图谱来增强局部分析可解释性，而非依赖后置显著性图。我们的方法在严格建立的真实世界疾病筛查基准测试上取得优异性能，临床水平召回率下显著提高特异性。代码已公开于https://github.com/DopamineLcy/EviScreen。