用于可解释脑龄预测的原型学习

深度学习模型缺乏可解释性限制了此类模型在临床实践中的采用。基于原型的模型可提供内在可解释的预测，但这些模型主要被设计用于分类任务，尽管医学影像中许多重要任务是连续回归问题。因此，本工作中我们提出ExPeRT：一种专为回归任务设计的可解释基于原型的模型。我们提出的模型利用原型标签的加权均值，根据到潜空间中一组所学原型的距離做出样本预测。潜空间中的距离被正则化以相对于标签差异，且每个原型可可视化为来自训练集的一个样本。图像级距离进一步由块级距离构建，其中两幅图像的块通过最优传输进行结构匹配。从而在推理时提供具块级细节的基于示例的解释。我们在两个影像数据集上展示所提模型用于脑龄预测：成人MR与胎儿超声。我们的方法在提供模型推理过程洞察的同时，取得了最先进的预测性能。