基于对抗训练对胸 X 光图像进行鲁棒且可解释的 COVID-19 诊断
图像与视频处理
2023-11-27 v1 计算机视觉与模式识别
机器学习
摘要
2019 新型冠状病毒病（COVID-19）全球大流行是一场标志性的健康危机。近期努力越来越多地指向对症状患者实现快速准确的 COVID-19 检测，以缓解疾病的强度与传播。应用于胸部 X 光（CXR）图像的人工智能（AI）算法已成为有前景的诊断工具，且先前工作已展示出令人印象深刻的分类性能。然而，此类方法因其黑箱推理过程与不可预测性而受到医师批评。与专业放射科医师诊断相比，AI 系统在临床决策过程中常缺乏泛化性、可解释性与鲁棒性。在我们的工作中，我们通过首先提出一项广泛的基线研究来解决这些问题，在包含 33,000+ 张 CXR 图像的多样数据集上训练并评估 21 个卷积神经网络（CNN）模型，以分类健康、COVID-19 和非 COVID-19 肺炎的 CXR。我们的模型取得的 3 类分类准确率、召回率和精确率分别高达 97.03%、97.97% 和 99.95%。接下来，我们通过梯度加权类激活映射（Grad-CAM）热力图研究对抗训练对模型鲁棒性与可解释性的有效性。我们发现，对抗训练的模型不仅在分类扰动图像上显著优于其标准对应模型，而且产生的显著图 1) 更好地指定临床相关特征，2) 对无关伪影具有鲁棒性，以及 3) 与专家放射科医师发现相当一致。
引用
@article{arxiv.2311.14227,
title = {Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training},
author = {Karina Yang and Alexis Bennett and Dominique Duncan},
journal= {arXiv preprint arXiv:2311.14227},
year = {2023}
}