IA-GCN：基于可解释注意力图卷积网络的疾病预测
计算机视觉与模式识别
2021-03-30 v1 机器学习
摘要
图卷积网络(GCNs)的可解释性在计算机视觉领域已得到一定探索，但在医学领域仍需进一步考察。此外，多数针对 GCN 的可解释性方法(尤其在医学领域)侧重于以事后方式解释模型。本文提出一种基于可解释图学习的模型，其 1) 解释输入特征对该任务的临床相关性，2) 利用解释提升模型性能，以及 3) 学习可用于解释队列行为的群体级潜在图。在临床场景中，此类模型可辅助临床专家进行更优的诊断与治疗规划决策。主要创新在于可直接作用于多模态特征的可解释注意力模块(IAM)。我们的 IAM 基于特定的可解释性损失学习各特征的注意力。我们展示了在两个公开数据集 Tadpole 与 UKBB 上针对疾病、年龄与性别预测三项任务的应用。所提模型相较对比方法表现出更优性能，Tadpole 平均准确率提升 3.2%，UKBB 性别预测提升 1.6%，UKBB 年龄预测提升 2%。此外，我们给出了详尽的验证与临床结果解释。
引用
@article{arxiv.2103.15587,
title = {IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction},
author = {Anees Kazi and Soroush Farghadani and Nassir Navab},
journal= {arXiv preprint arXiv:2103.15587},
year = {2021}
}
备注
10 pages, 1 figure