用于医学诊断的可解释Transformer原型
计算机视觉与模式识别
2024-03-12 v1
摘要
人工智能在医学诊断中的部署不仅要求准确性和有效性，还要求信任，这强调了机器决策中可解释性的必要性。自动化医学影像诊断的最新趋势倾向于部署基于Transformer的架构，这归功于其令人印象深刻的能力。由于Transformer的自注意力特征有助于在分类过程中识别关键区域，它们增强了方法的可信度。然而，这些注意力机制的复杂细节可能无法有效定位直接影响AI决策的感兴趣区域。我们的研究致力于创新一个独特的注意力模块，强调“区域”而非“像素”之间的相关性。为了解决这一挑战，我们引入了一个基于原型学习的创新系统，该系统具有先进的自注意力机制，通过提供可理解的视觉洞察，超越了传统的即席视觉解释技术。采用定量和定性相结合的方法，在大规模NIH胸部X射线数据集上证明了所提出方法的有效性。实验结果表明，我们提出的方法为可解释性提供了一个有前景的方向，这可以导致开发更可信的系统，从而促进此类技术更容易、更快速地应用于常规临床。代码可在www.github.com/NUBagcilab/r2r_proto获取。
引用
@article{arxiv.2403.06961,
title = {Explainable Transformer Prototypes for Medical Diagnoses},
author = {Ugur Demir and Debesh Jha and Zheyuan Zhang and Elif Keles and Bradley Allen and Aggelos K. Katsaggelos and Ulas Bagci},
journal= {arXiv preprint arXiv:2403.06961},
year = {2024}
}