面向医学图像分析中隐私保护的解释
计算机视觉与模式识别
2021-07-21 v1
摘要
深度学习在医学领域的应用受到缺乏可解释性的阻碍。基于案例的可解释性策略能为深度学习模型的决策提供直观解释，从而增强信任。然而，由此产生的解释威胁患者隐私，促使开发与医学数据特性兼容的隐私保护方法。本工作中，我们分析现有隐私保护方法及其在匿名化医学数据同时保留疾病相关语义特征方面的能力。我们发现，在所比较的 SOTA（state-of-the-art，最先进）方法中，PPRL-VGAN 深度学习方法在保障高水平隐私的同时最好地保留了疾病相关语义特征。尽管如此，我们强调需要改进医学影像的隐私保护方法，因为我们识别出所有现有隐私保护方法中的相关缺陷。
引用
@article{arxiv.2107.09652,
title = {Towards Privacy-preserving Explanations in Medical Image Analysis},
author = {H. Montenegro and W. Silva and J. S. Cardoso},
journal= {arXiv preprint arXiv:2107.09652},
year = {2021}
}
备注
7 pages, 5 figures, accepted at Workshop on Interpretable ML in Healthcare at ICML2021