面向医学影像的可解释人工智能：基于贝叶斯教学的气胸诊断解释
机器学习
2021-06-10 v1 人工智能
人机交互
摘要
专家时间有限是医学影像领域的一个关键瓶颈。得益于图像分类的进步，人工智能现在可以作为医学专家的决策支持，有望大幅提升放射科医生的工作效率，进而改善公共卫生。然而，这些收益取决于建立并维持专家对人工智能体的信任。可解释人工智能可通过帮助医学专家理解诊断判断背后的人工智能决策过程来建立此种信任。本文引入并评估了基于贝叶斯教学的解释，这是一种根植于人类学习认知科学的解释形式化框架。我们发现，接触由贝叶斯教学生成的解释的医学专家能够成功预测人工智能的诊断决策，并且相较于人工智能出错的情况，在人工智能正确时更有可能为其认证许可，表明其信任是恰当的。这些结果表明，可解释人工智能可用于支持医学影像中的人机协作。
引用
@article{arxiv.2106.04684,
title = {Explainable AI for medical imaging: Explaining pneumothorax diagnoses with Bayesian Teaching},
author = {Tomas Folke and Scott Cheng-Hsin Yang and Sean Anderson and Patrick Shafto},
journal= {arXiv preprint arXiv:2106.04684},
year = {2021}
}