PRECISe: 稀缺与不平衡数据下可解释分类的原型保留方法
计算机视觉与模式识别
2024-08-13 v1
摘要
用于医学图像分类任务的深度学习模型通常受到训练数据量有限以及严重类别不平衡的制约。尽管存在这些问题，模型仍应具有可解释性，以使人类信任模型的决策，从而确保在高风险场景中的广泛应用。在本文中，我们提出了PRECISe，一种可解释性设计的模型，精心构建以同时解决所有三个挑战。在两个不平衡医学图像数据集上的评估表明，PRECISe在数据高效泛化到少数类方面优于当前最先进方法，在仅使用不到60张图像训练的情况下，胸部X光片中肺炎检测的准确率达到约87%。此外，还提供了一个案例研究以突出模型生成易于解释的预测的能力，从而强化其在医学成像任务中的实际效用和可靠性。
引用
@article{arxiv.2408.05754,
title = {PRECISe : Prototype-Reservation for Explainable Classification under Imbalanced and Scarce-Data Settings},
author = {Vaibhav Ganatra and Drishti Goel},
journal= {arXiv preprint arXiv:2408.05754},
year = {2024}
}