ViDi：作为新冠肺炎 streamlined 诊断中放射科医师助手的描述性视觉数据聚类
图像与视频处理
2020-12-01 v1 计算机视觉与模式识别
机器学习
摘要
在新冠肺炎大流行的背景下，深度学习方法已被广泛研究用于从胸部 X 光片中检测新冠肺炎。然而，将人工智能方法应用于医学诊断的一种更务实的途径是设计一个促进人机交互与专家决策的框架。研究表明，分类在加速现实世界决策中可以发挥重要作用。受描述性文档聚类的启发，我们提出了一种与领域无关的解释性聚类框架，用于对上下文相关的实例进行分组并支持放射科医生的决策。虽然大多数描述性聚类方法利用领域特定特征来形成有意义的簇，但我们关注模型级解释作为每个学习过程中更通用的要素，以实现簇的同质性。我们采用 DeepSHAP 根据疾病严重程度生成同质簇，并利用有利与不利显著图来描述这些簇，这些图可视化了图像的类别判别区域。这些人类可解释的图补充了放射科医生的知识，以便一次性考察整个簇。此外，作为本研究的一部分，我们评估了一个基于 VGG-19 的模型，该模型能以 95% 和 97% 的阳性预测值分别识别新冠肺炎和肺炎病例，与近期可解释的新冠肺炎诊断方法相当。
引用
@article{arxiv.2011.14871,
title = {ViDi: Descriptive Visual Data Clustering as Radiologist Assistant in COVID-19 Streamline Diagnostic},
author = {Sahithya Ravi and Samaneh Khoshrou and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2011.14871},
year = {2020}
}