医学中的可解释、域自适应与联邦人工智能
计算机视觉与模式识别
2023-08-09 v1 机器学习
图像与视频处理
定量方法
摘要
人工智能（AI）持续变革众多领域的数据分析。各领域进展由日益增长的标注数据、增加的计算资源与技术革新所驱动。在医学中，数据的敏感性、任务的复杂性、潜在的高风险以及对问责的要求带来了一系列特定挑战。在本综述中，我们聚焦于应对 AI 驱动医疗决策中部分特定挑战的三种关键方法论途径。（1）可解释 AI 旨在为每项输出生成人类可理解的论证。若结果看似合理且符合临床医生预期，此类模型可增强信心。然而，缺乏合理解释并不意味着模型不准确。尤其在为最大化准确率而调优的高度非线性复杂模型中，此类可解释表征仅反映论证的一小部分。（2）域自适应与迁移学习使 AI 模型能够跨多个域训练与应用。例如，基于不同采集硬件所获取图像的分类任务。（3）联邦学习能够在无需暴露敏感个人健康信息的情况下学习大规模模型。与集中式 AI 学习（集中式学习机可访问全部训练数据）不同，联邦学习过程通过仅交换参数更新而非个人健康数据，在多个站点间迭代更新模型。本叙述性综述涵盖基本概念，突出该领域相关基石与最先进研究，并探讨前景。
引用
@article{arxiv.2211.09317,
title = {Explainable, Domain-Adaptive, and Federated Artificial Intelligence in Medicine},
author = {Ahmad Chaddad and Qizong lu and Jiali Li and Yousef Katib and Reem Kateb and Camel Tanougast and Ahmed Bouridane and Ahmed Abdulkadir},
journal= {arXiv preprint arXiv:2211.09317},
year = {2023}
}
备注
This paper is accepted in IEEE CAA Journal of Automatica Sinica, Nov. 10 2022