用于心脏再同步治疗反应预测的可解释深度模型
图像与视频处理
2021-06-24 v2 计算机视觉与模式识别
机器学习
摘要
深度学习的进展已在某些医学图像分类任务中取得令人印象深刻的准确率，但深度模型往往缺乏可解释性。这些模型解释其决策的能力对于建立临床信任和促进临床转化十分重要。此外，医学中许多问题拥有丰富的现有临床知识可供借鉴，这可能有助于生成解释，但如何将这些知识编码进深度学习模型并不明显——多数模型是从头学习或利用来自不同领域的迁移学习。本文同时解决这两个问题。我们提出一种基于变分自编码器（VAE）的用于图像分类的新型深度学习框架。该框架允许从自编码器的潜空间预测感兴趣的输出，并可在图像域中可视化跨越决策边界的效应，从而增强分类器的可解释性。我们的关键贡献在于 VAE 基于从现有临床知识中提取的“解释”来解耦潜空间。该框架可预测输出及针对这些输出的解释，并提出了发现与现有知识分离（或解耦）的新生物标志物的可能性。我们在从电影心脏磁共振图像预测心肌病患者的心脏再同步治疗（CRT）反应问题上展示了我们的框架。所提模型在 CRT 反应预测任务上的灵敏度和特异度分别为 88.43% 和 84.39%，并且我们展示了模型在增进对 CRT 反应影响因素理解方面的潜力。
引用
@article{arxiv.2006.13811,
title = {Interpretable Deep Models for Cardiac Resynchronisation Therapy Response Prediction},
author = {Esther Puyol-Antón and Chen Chen and James R. Clough and Bram Ruijsink and Baldeep S. Sidhu and Justin Gould and Bradley Porter and Mark Elliott and Vishal Mehta and Daniel Rueckert and Christopher A. Rinaldi and Andrew P. King},
journal= {arXiv preprint arXiv:2006.13811},
year = {2021}
}
备注
MICCAI 2020 conference