FunnyNodules：面向可解释AI评估定制的医学数据集

密集标注的医学图像数据集不仅捕获诊断标签，还捕获这些诊断背后的推理过程，此类数据集极为稀缺。这种与推理相关的标注对于开发和评估与放射科医生推理方式相似的可解释AI（xAI）模型至关重要：基于正确的原因做出正确的预测。为填补这一空白，我们引入了FunnyNodules，一个完全参数化的合成数据集，旨在对医学AI模型中的基于属性的推理进行系统性分析。该数据集生成抽象的肺结节状形状，具有可控的视觉属性，如圆度、边缘锐度和刺状度。目标类别由预定义的属性组合导出，从而完全控制属性与诊断类别之间的决策规则。我们展示了FunnyNodules如何用于模型无关的评估，以检验模型是否学习了正确的属性-目标关系，解释属性预测中的过拟合或欠拟合表现，以及分析与属性特定感兴趣区域的对齐程度。该框架完全可定制，支持数据集复杂度、目标定义、类别平衡等方面的变化。凭借完整的真实信息，FunnyNodules为医学图像分析中可解释AI方法的开发、基准测试和深入分析提供了多功能的基础。