Xplainer：从 X 射线观测到可解释零样本诊断
计算机视觉与模式识别
2023-06-29 v3 机器学习
摘要
基于医学图像的自动诊断预测是支持临床决策的宝贵资源。然而，此类系统通常需要在大量标注数据上训练，而医学领域往往缺乏此类数据。零样本方法通过允许在不依赖标注数据的情况下灵活适配具有不同临床发现的新环境来应对这一挑战。此外，为将自动诊断整合进临床工作流，方法应当透明且可解释，以提升医疗专业人员的信任并便于正确性核验。本工作中，我们引入 Xplainer，一种用于临床环境下可解释零样本诊断的新框架。Xplainer 将对比视觉-语言模型的描述分类法适配至多标签医学诊断任务。具体而言，我们不直接预测诊断，而是提示模型分类放射科医生在 X 射线扫描中会寻找的描述性观测的存在，并利用描述符概率来估计诊断的可能性。我们的模型天生可解释，因为最终诊断预测直接基于底层描述符的预测。我们在两个胸部 X 射线数据集 CheXpert 与 ChestX-ray14 上评估 Xplainer，并证明其在提升零样本诊断性能与可解释性方面的有效性。我们的结果表明，Xplainer 提供了对决策过程更细致的理解，并可成为临床诊断的有价值工具。
引用
@article{arxiv.2303.13391,
title = {Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis},
author = {Chantal Pellegrini and Matthias Keicher and Ege Özsoy and Petra Jiraskova and Rickmer Braren and Nassir Navab},
journal= {arXiv preprint arXiv:2303.13391},
year = {2023}
}
备注
provisionally accepted for publication at MICCAI 2023, 9 pages, 2 figures, 6 tables