面向烧伤深度表征的以人为中心可解释人工智能
计算机视觉与模式识别
2023-01-03 v2 人工智能
摘要
美国每年约有125万人因烧伤接受治疗。精确的烧伤损伤分类是医学人工智能领域的一个重要方面。在这项工作中，我们提出了一种可解释的在环人机框架，用于改进烧伤超声分类模型。我们的框架利用基于LIME分类解释器的解释系统来印证并整合烧伤专家的知识——建议新特征并确保模型的有效性。使用该框架，我们发现B型超声分类器可通过提供纹理特征得到增强。更具体地说，我们确认基于超声帧灰度共生矩阵（GLCM）的纹理特征能够提高迁移学习的烧伤深度分类器的准确率。我们在猪受试者的真实数据上验证了我们的假设。我们展示了根据我们的框架修改后，烧伤深度分类的准确率从约88%提高到约94%。
引用
@article{arxiv.2210.13535,
title = {Human-centered XAI for Burn Depth Characterization},
author = {Maxwell J. Jacobson and Daniela Chanci Arrubla and Maria Romeo Tricas and Gayle Gordillo and Yexiang Xue and Chandan Sen and Juan Wachs},
journal= {arXiv preprint arXiv:2210.13535},
year = {2023}
}