MEDebiaser：用于减轻多标签医学图像分类偏置的人机反馈系统

医学图像常包含多个标签且分布不平衡，导致多标签医学图像分类中的偏置。医学专业人员与机器学习实践者的紧密合作显著推动了医学图像分析的进步。然而，传统的合作模式难以促进医生与 AI 模型之间有效的反馈，因为通过工程师将医学专业知识整合到训练过程中需要耗时且效率低下。为弥合这一差距，我们引入 MEDebiaser，一个交互式系统，使医生能够通过 local explanations 直接细化 AI 模型。通过将预测与注意力损失函数结合并采用自定义排序策略来缓解可扩展性问题，MEDebiaser 允许医生在不具备技术专业知识的情况下减轻偏置，减少对工程师的依赖，从而增强人机反馈的直接性。我们的机制和用户研究表明，它有效地减少了偏置，提高了可用性，增强了合作效率，为将医学专业知识集成到 AI 驱动的医疗保健领域提供了实用解决方案。