可解释的糖尿病视网膜病变检测与视网膜图像生成

尽管深度学习在分类某些疾病的标签和严重程度阶段方面表现出成功性能，但大多数方法很少解释如何进行预测。受循证医学（EBM）中确定病原体的基础——科赫假设（Koch's Postulates）的启发，我们提出利用深度学习在医学诊断中应用的可解释性。通过确定并隔离糖尿病视网膜病变（DR）检测器赖以做出决策的神经元激活模式，我们展示了被隔离的神经元激活与病灶之间的直接关系，以给出病理学解释。具体而言，我们首先使用 DR 检测器的激活神经元定义新的病理学描述子，以编码病灶的空间和外观信息。然后，为可视化描述子中编码的症状，我们提出 Patho-GAN，一种用于合成医学上合理的视网膜图像的新网络。通过操纵这些描述子，我们甚至可以任意控制生成病灶的位置、数量和类别。我们还表明，我们合成的图像携带与糖尿病视网膜病变诊断直接相关的症状。我们生成的图像在定性和定量上均优于以往方法生成的图像。此外，与现有方法花费数小时生成一张图像相比，我们的秒级速度赋予了其作为数据增强有效方案的潜力。