在正确位置寻找异常：通过自动位置学习实现可解释 AI
计算机视觉与模式识别
2020-08-04 v1 人工智能
机器学习
摘要
深度学习现已成为医学影像中异常识别的事实标准方法。其将医学图像分类为异常标签的“黑盒”方式给它们的接受度带来了问题，尤其对临床医生而言。当前的可解释 AI 方法通过热图等可视化方式提供解释，但无法保证网络聚焦于完全包含异常的相关图像区域。在本文中，我们开发了一种可解释 AI 方法，其中在异常存在时确保其与实际预期位置重叠。这是通过从文本报告中自动提取位置特定标签，并使用双向长短期记忆循环神经网络（Bi-LSTM）与 DenseNet-121 的混合组合学习预期位置与标签的关联而实现的。利用该预期位置来偏置随后基于 ResNet101 的注意力引导推理网络，可在异常存在时将其隔离于预期位置。该方法在一个大型胸部 X 光数据集上进行了评估。
引用
@article{arxiv.2008.00363,
title = {Looking in the Right place for Anomalies: Explainable AI through Automatic Location Learning},
author = {Satyananda Kashyap and Alexandros Karargyris and Joy Wu and Yaniv Gur and Arjun Sharma and Ken C. L. Wong and Mehdi Moradi and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:2008.00363},
year = {2020}
}
备注
5 pages, Paper presented as a poster at the International Symposium on Biomedical Imaging, 2020, Paper Number 655