一个可解释和准确的深度学习诊断框架,以完全和半监督的相互学习为模型

科学领域:

• 人工智能在医学中的应用
• 机器学习用于医疗保健
• 医学图像分析 医学图像分析

背景情况:

• 深度学习分类器可以改善临床诊断,但在准确性和可解释性之间面临着权衡.
• 现有的准确模型往往缺乏透明度,阻碍了临床采用.
• 可解释模型可能无法实现具有竞争力的诊断性能.

研究的目的:

• 引入InterNRL,这是一个新的深度学习框架,旨在在临床诊断中实现高准确性和可解释性.
• 解决当前深度学习模型在平衡分类性能和可解释性方面的局限性.
• 提高AI在医疗决策中的可靠性和可信度.

主要方法:

• 开发了InterNRL,这是一个学生-教师框架,使用可解释的基于原型的分类器 (ProtoPNet) 作为学生和全球图像分类器 (GlobalNet) 作为教师.
• 实施了一种新的相互学习范式,以实现学生和教师模型之间的相互优化.
• 在完全和半监督学习场景下优化了框架.

主要成果:

• 在两个监督学习环境下,InterNRL在乳腺癌和视网膜疾病诊断方面取得了最先进的分类表现.
• 该框架在乳腺癌局部化和脑瘤细分方面表现出卓越的性能,使用标签薄弱的图像.
• 相互学习方法使有效的知识转移和模型改进成为可能.

结论:

• 在临床诊断的深度学习中,InterNRL成功地整合了高精度和可解释性.
• 拟议的相互学习模式为训练准确和可解释的医疗AI模型提供了一种灵活和有效的方法.
• 在临床实践中,InterNRL显示了在推进自动诊断和医学图像分析方面显著的潜力.