基于异构数据的深度阿尔茨海默病诊断的可扩展公理性解释
机器学习
2021-10-04 v2 计算机视觉与模式识别
机器学习
摘要
深度神经网络 (DNNs) 在从复杂生物医学数据中学习方面具有巨大潜力。特别是，DNNs 已被用于无缝融合来自神经解剖、遗传学、生物标志物和神经心理学测试的异构信息，以实现高精度的阿尔茨海默病诊断。另一方面，其黑盒性质仍是此类系统在临床中采用的障碍，而临床中可解释性至关重要。我们提出异构图神经网络 Shapley 值解释 (SVEHNN)，用于解释 DNN 根据神经解剖的 3D 点云和表格生物标志物做出的阿尔茨海默病诊断。我们的解释基于 Shapley 值，它是文献中已确立的满足局部解释所有基本公理的唯一方法。因此，SVEHNN 具有先前医学决策可解释性工作所缺乏的许多理想特性。为避免 Shapley 值的指数级时间复杂度，我们提出将给定 DNN 无需重训练地转换为轻量级概率深度网络，从而实现仅关于特征数量二次方的复杂度。在合成与真实数据的实验中，我们展示了能以大幅降低的运行时间紧密近似精确 Shapley 值，并揭示网络从数据中学到的隐藏知识。
引用
@article{arxiv.2107.05997,
title = {Scalable, Axiomatic Explanations of Deep Alzheimer's Diagnosis from Heterogeneous Data},
author = {Sebastian Pölsterl and Christina Aigner and Christian Wachinger},
journal= {arXiv preprint arXiv:2107.05997},
year = {2021}
}
备注
Accepted at 2021 International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)