面向医学分类的多维解释对齐
计算机视觉与模式识别
2024-10-30 v1 人工智能
机器学习
摘要
医学图像分析领域缺乏可解释性具有重大的伦理和法律影响。该领域现有的可解释方法面临若干挑战，包括对特定模型的依赖、理解和可视化的困难以及效率相关问题。为解决这些局限性，我们提出了一种名为Med-MICN（医学多维可解释概念网络）的新型框架。Med-MICN从多个角度提供可解释性对齐，包括神经符号推理、概念语义和显著性图，这优于当前的可解释方法。其优势包括高预测准确性、跨多个维度的可解释性，以及通过端到端概念标注过程实现的自动化，这减少了在处理新数据集时对大量人工训练工作的需求。为了证明Med-MICN的有效性和可解释性，我们将其应用于四个基准数据集，并与基线方法进行比较。结果清楚地证明了我们的Med-MICN具有优越的性能和可解释性。
引用
@article{arxiv.2410.21494,
title = {Towards Multi-dimensional Explanation Alignment for Medical Classification},
author = {Lijie Hu and Songning Lai and Wenshuo Chen and Hongru Xiao and Hongbin Lin and Lu Yu and Jingfeng Zhang and Di Wang},
journal= {arXiv preprint arXiv:2410.21494},
year = {2024}
}
备注
Accepted by NeurIPS 2024