IAIA-BL：一种用于数字乳腺摄影中肿块病变分类的基于案例的可解释深度学习模型

机器学习模型的可解释性在高风险决策中十分重要，例如是否根据乳腺摄影检查申请活检。乳腺摄影带来了其他计算机视觉任务中不存在的重要挑战：数据集小、存在混杂信息，且即使放射科医生也难以仅依据乳腺摄影片在密切观察与活检之间做出决定。在本工作中，我们提出一个基于可解释机器学习的乳腺摄影框架。除了预测病变是恶性还是良性外，我们的工作旨在遵循放射科医生的推理过程，检测每张图像的临床相关语义特征，例如肿块边缘的特征。该框架包含一种新颖的可解释神经网络算法，其使用基于案例的推理进行乳腺摄影。我们的算法能结合具有整图标注的数据与具有像素级标注的数据，即使图像数量少也能获得更好的准确率和可解释性。我们的可解释模型能够高亮与分类相关的图像部分，而其他方法高亮的是健康组织和混杂信息。我们的模型是决策辅助而非决策者，旨在实现更好的人机协作。与在相同数据上训练的黑箱神经网络相比，我们的模型在肿块边缘分类准确率上未见损失。