PointExplainer：迈向透明的帕金森病诊断
计算机视觉与模式识别
2025-05-08 v1 人工智能
机器学习
摘要
深度神经网络在分析数字化手绘信号以进行帕金森病早期诊断方面已展现出潜力。然而，现有诊断方法缺乏清晰的可解释性，对临床信任构成了挑战。在本文中，我们提出了PointExplainer，一种可解释的诊断策略，用于识别驱动模型诊断的手绘区域。具体而言，PointExplainer为手绘片段分配离散的归因值，明确量化它们对模型决策的相对贡献。其关键组成部分包括：(i) 一个诊断模块，将手绘信号编码为3D点云以表示手绘轨迹，以及 (ii) 一个解释模块，训练一个可解释的替代模型来近似黑盒诊断模型的局部行为。我们还引入了一致性度量，以进一步解决解释的忠实性问题。在两个基准数据集和一个新构建的数据集上的大量实验表明，PointExplainer能够在不降低诊断性能的情况下提供直观的解释。源代码可在 https://github.com/chaoxuewang/PointExplainer 获取。
引用
@article{arxiv.2505.03833,
title = {PointExplainer: Towards Transparent Parkinson's Disease Diagnosis},
author = {Xuechao Wang and Sven Nomm and Junqing Huang and Kadri Medijainen and Aaro Toomela and Michael Ruzhansky},
journal= {arXiv preprint arXiv:2505.03833},
year = {2025}
}