医学视频分析中的深度学习模型的解释性:一项调查调查
Michal Kolarik1, Martin Sarnovsky1, Jan Paralic1
1Department of Cybernetics and Artificial Intelligence, Technical University in Kosice, Kosice, Slovakia.
PeerJ. Computer science
|June 22, 2023
概括
可解释的深度学习对于医学AI采用至关重要. 本综述涵盖了用于医疗视频分析的可解释的人工智能方法,解决了临床使用深度神经网络中的黑子问题.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 深度学习在医学诊断方面表现出色,但由于其"黑子"性质,它面临着挑战.
- 可解释AI (XAI) 通过提供可理解的模型输出,对临床采用至关重要.
- 现有的审查涵盖XAI广泛,但需要对医疗视频分析进行专注的审查.
研究的目的:
- 审查目前用于医疗视频处理的可解释深度学习方法.
- 总结临床应用中可解释性的关键要求.
- 确定这个专业领域的开放研究挑战.
主要方法:
- 对医学数据应用可解释AI方法的文献综述.
- 专注于适合分析医疗视频数据的技术.
- 评估指标的分析,以在医疗环境中解释性.
主要成果:
- 对各种可解释的深度学习技术的概述,适用于医疗视频.
- 讨论具体方法及其与医疗视频分析任务的相关性.
- 确定当前的局限性和未来的研究方向.
结论:
- 可解释的人工智能对于将深度学习纳入临床实践至关重要.
- 需要进一步的研究来开发和验证医疗视频分析的XAI方法.
- 解决"黑盒子"问题将提高人工智能在医疗保健中的信任和实用性.


