学习临床相关概念瓶颈用于乳腿 ultrasound 中的 lesion 检测
最优化与控制
2024-07-02 v1 投资组合管理
摘要
检测和分类乳腺超声图像中的病灶是人工智能（AI）用于减少地区医疗资源有限地区癌症负担的有前景的应用。如果 AI 系统的预测能被放射科医生解释，那么这些系统更可能在临床环境中实用。本工作提出一种可解释的 AI 模型，通过阿波斯顿医学影像报告系统（BI-RADS）标准词汇表提供可解释的预测。该模型是一个深度神经网络，包含概念瓶颈层，在进行最终癌症分类之前预测已知的 BI-RADS 特征。这使得放射科医生能够轻松查看 AI 系统的预测结果，并通过修改概念预测来纠正可能的错误。在实验中，我们在 8,854 张来自 994 名女性的图像上开发了一个模型，获得了经专家注释和组织学癌症标签的图像。该模型在保留下测试集上以 48.9 的平均精度超过了最新进展的 lesion 检测框架，并且对于癌症分类，概念干预将 ROC 曲线下面积从 0.876 提高到 0.885。训练和评估代码可在 https://github.com/hawaii-ai/bus-cbm 上获得。
引用
@article{arxiv.2407.00266,
title = {Vector-valued robust stochastic control},
author = {Igor Cialenco and Gabriela Kováčová},
journal= {arXiv preprint arXiv:2407.00266},
year = {2024}
}