用于眼科诊断的可解释深度学习方法定量与定性评估
图像与视频处理
2021-03-26 v2 计算机视觉与模式识别
摘要
背景：尽管深度学习等算法在多个问题上取得了高度准确的结果，但其决策缺乏解释阻碍了临床界对其的接受。近来，归因方法已涌现用于解释深度学习模型，并已在医学影像问题上进行了测试。归因方法的性能是在标准机器学习数据集而非医学图像上进行比较的。在本研究中，我们进行了一项比较分析，以确定最适合视网膜 OCT 诊断的可解释性方法。方法：训练一个名为 Inception v3 的常用深度学习模型来诊断 3 种视网膜疾病——脉络膜新生血管（CNV）、糖尿病性黄斑水肿（DME）和玻璃疣。由 14 名临床医生组成的小组对 13 种不同归因方法的解释就临床意义进行评分。并获得了临床医生关于此类方法当前与未来范围的反馈。结果：基于泰勒级数展开的归因方法 Deep Taylor 被临床医生评为最高，中位评分为 3.85/5。其后为另两种归因方法 Guided backpropagation 和 SHAP（SHapley Additive exPlanations）。结论：深度学习模型的解释可使其在临床诊断中更透明。本研究在视网膜 OCT 诊断背景下比较了不同解释方法，发现表现最佳的方法未必是其他深度学习任务中认为最佳的方法。总体而言，受访临床医生有高度的接受度。关键词：可解释 AI，深度学习，机器学习，图像处理，光学相干断层扫描，视网膜，糖尿病性黄斑水肿，脉络膜新生血管，玻璃疣
引用
@article{arxiv.2009.12648,
title = {Quantitative and Qualitative Evaluation of Explainable Deep Learning Methods for Ophthalmic Diagnosis},
author = {Amitojdeep Singh and J. Jothi Balaji and Mohammed Abdul Rasheed and Varadharajan Jayakumar and Rajiv Raman and Vasudevan Lakshminarayanan},
journal= {arXiv preprint arXiv:2009.12648},
year = {2021}
}