面向COVID-19prognosis的区域特定风险量化与可解释诊断
计算机视觉与模式识别
2024-05-07 v1 人工智能
摘要
新冠肺炎疫情严重挤压全球公共卫生系统， necessitating accurate diagnosis and intervention to control disease spread and reduce mortality rates. 本文引入一种可解释的深度生存预测模型，专为改进对COVID-19 prognosis 使用胸腔X光（CXR）图像的理解和信任而设计。通过整合大规模预训练图像编码器、Risk-specific Grad-CAM和解剖区域检测技术，我们的方法产生具有区域可解释性的输出，有效捕捉关键疾病特征，同时聚焦于罕见但关键的异常区域。我们的模型预测结果通过风险区域定位提供了增强的清晰度和透明度，使临床医生能够更深入地理解COVID-19诊断的 prognostic 见解。我们在多中心生存数据集上评估了所提出的方法，通过定性和定量评估证明了其有效性， achieving superior C-indexes (0.764 and 0.727) and time-dependent AUCs (0.799 and 0.691). 这些结果表明，我们的可解释深度生存预测模型在风险预测方面超越了传统生存分析方法，提高了临床决策的可解释性，增强了AI系统的可信度。
引用
@article{arxiv.2405.02815,
title = {Region-specific Risk Quantification for Interpretable Prognosis of COVID-19},
author = {Zhusi Zhong and Jie Li and Zhuoqi Ma and Scott Collins and Harrison Bai and Paul Zhang and Terrance Healey and Xinbo Gao and Michael K. Atalay and Zhicheng Jiao},
journal= {arXiv preprint arXiv:2405.02815},
year = {2024}
}