基于原型实例识别的口腔黏膜诊断可解释机器学习
人工智能
2025-03-24 v1
摘要
医疗决策过程高度复杂且具挑战性。机器学习工具在这些过程中具有重要潜力。然而，许多当前方法依赖于难以被专家解释的复杂模型。这凸显了需要开发可解释模型以为临床决策提供有意义支持的需求。在方法论上，人类通常会将当前情境与记忆中保存的几个关键实例和代表性案例进行比较。采用选择此类典型案例并以其为基础进行预测的可解释方法可为解决此类问题提供高性能可解释解决方案。为此，我们在口腔黏膜检测问题上评估了 PivotTree，这是一种可解释原型选择模型，具体目标是检测口腔图像中癌前性、溃疡性和创伤性溃疡性黏膜病变。我们展示了在表现和对专家挑选的典型案例与真实原型之间的定性和定量比较中使用此方法的有效性。
引用
@article{arxiv.2503.16938,
title = {Interpretable Machine Learning for Oral Lesion Diagnosis through Prototypical Instances Identification},
author = {Alessio Cascione and Mattia Setzu and Federico A. Galatolo and Mario G. C. A. Cimino and Riccardo Guidotti},
journal= {arXiv preprint arXiv:2503.16938},
year = {2025}
}