用于头颈癌预测中深度神经网络解释的特征梯度流
图像与视频处理
2023-07-26 v1 机器学习
摘要
本文介绍特征梯度流,一种以人类可理解特征解释深度学习模型的新技术。模型的梯度流在输入数据空间中局部定义非线性坐标,代表模型用于决策的信息。我们的思想是度量可解释特征与模型梯度流的一致性。为评估特定特征对模型的重要性,我们比较该特征的梯度流度量与基线噪声特征的对应度量。我们进而开发一种通过向损失函数添加正则项以鼓励模型梯度与所选可解释特征梯度对齐的训练神经网络以增强可解释性的技术。我们在基于Cancer Imaging Archive的计算机断层扫描数据集上,以卷积神经网络预测头颈癌远处转移的模型中测试了我们的方法。
引用
@article{arxiv.2307.13061,
title = {Feature Gradient Flow for Interpreting Deep Neural Networks in Head and Neck Cancer Prediction},
author = {Yinzhu Jin and Jonathan C. Garneau and P. Thomas Fletcher},
journal= {arXiv preprint arXiv:2307.13061},
year = {2023}
}