ProtoAL：用于医学成像的基于原型的可解释深度主动学习
计算机视觉与模式识别
2024-12-30 v1 人工智能
机器学习
摘要
深度学习算法在医学成像领域的采用是一个突出的研究领域，在推进基于人工智能的计算机辅助诊断 (AI-CAD) 解决方案方面具有巨大潜力。然而，由于缺乏可解释性特征和高数据需求，当前的解决方案面临挑战，这促使近期努力解决这些问题。在本研究中，我们提出了 ProtoAL 方法，将可解释的深度学习模型集成到深度主动学习 (DAL) 框架中。该方法旨在通过聚焦医学成像背景并利用基于原生的可解释模型来解决这两个挑战。我们在 Messidor 数据集上评估了 ProtoAL，在仅使用 76.54\% 可用标注数据的情况下，实现了 0.79 的精确率-召回率曲线下面积。这些能力可以增强深度学习模型在医学领域的实际可用性，为领域专家提供信任校准的手段，并为在常遇到的数据稀缺背景下进行学习提供合适的解决方案。
引用
@article{arxiv.2404.04736,
title = {ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging},
author = {Iury B. de A. Santos and André C. P. L. F. de Carvalho},
journal= {arXiv preprint arXiv:2404.04736},
year = {2024}
}