减少肺结节诊断自解释模型中的标注需求

基于特征的自解释方法以人类可理解的特征来解释其分类。在医学影像界，这种与临床知识的语义匹配显著增加了AI的可信度。然而，额外的特征标注成本仍是一个紧迫问题。我们通过提出cRedAnno来解决此问题，这是一种用于肺结节诊断的数据/标注高效自解释方法。cRedAnno通过引入自监督对比学习以减轻从标注中学习大多数参数的负担，并用两阶段训练替代端到端训练，从而大幅减少标注需求。当使用数百个结节样本且仅其1%的标注进行训练时，cRedAnno在预测恶性方面取得了有竞争力的准确率，同时在预测结节属性上显著超越多数先前工作。对学习空间的视觉化进一步表明，恶性聚类与结节属性之间的相关性符合临床知识。我们的完整代码开源可用：https://github.com/diku-dk/credanno。