面向医学影像中可训练的显著图

尽管深度学习（DL）在自动诊断中的成功对医疗实践具有变革性意义，尤其对于很少或无法接触医生的人群，但其广泛接受度受到固有的黑箱决策和不安全的失效模式的严重限制。虽然显著方法试图在非医疗背景下解决此问题，但其先验解释并不能很好地迁移到医疗用例。本研究验证了一个与架构复杂度和模型任务均无关的模型设计元素，并展示引入该元素如何得到一个内在自解释的模型。我们在 RSNA 肺炎数据集上将我们的结果与最先进的非可训练显著图进行比较，并证明采用我们的技术具有更高的定位效能。我们还与一个全监督基线进行比较，并为其高昂的数据标注开销提供了一种合理的替代方案。我们进一步通过专家读者的定性评估来考察我们主张的有效性。