解读 COVID-19 诊断模型预测中的不确定性

COVID-19 因其加速传播，除了常规的实验室拭子检测外，还带来了使用辅助工具进行更快诊断的需求。COVID 病例的胸部 X 光片往往显示肺部变化，如磨玻璃影和周边实变，这些可由深度神经网络检测。然而，传统的卷积网络使用点估计进行预测，缺乏不确定性的捕捉，使其可靠性较低而难以采用。迄今为止，已有若干工作利用胸部 X 光片预测 COVID 阳性病例。然而，在量化这些预测的不确定性、解读不确定性以及将其分解为模型或数据不确定性方面，探索尚不多。为满足这些需求，我们开发了一个可视化框架，用以解决不确定性及其组成部分的可解释性问题，其中预测的不确定性由贝叶斯卷积神经网络计算。该框架旨在理解胸部 X 光图像中各个特征对预测不确定性的贡献。将此作为辅助工具可帮助放射科医生理解模型为何得出某预测，以及模型针对该特定预测所捕获的兴趣区域在诊断中是否具有重要意义。我们通过基准数据集中的若干测试用例展示了该工具在胸部 X 光解读中的有用性。