皮肤科医生和五种视觉解释技术在深度神经网络中的可解释性协议,用于黑色素瘤AI分类

科学领域:

• 人工智能在医学中的应用
• 医学成像分析 医学成像分析
• 皮肤病学 皮肤病学

背景情况:

• 深层卷积神经网络 (CNN) 对皮肤病变分析和早期皮肤癌检测有希望.
• 临床实施需要模型可解释性,以获得专家的信任和理解.
• 可解释性技术突出显示了与模型预测相关的模式.

研究的目的:

• 评估五种可解释性技术 (Grad-CAM,Grad-CAM++,Score-CAM,Eigen-CAM,LIME) 用于分析皮肤病变图像.
• 评估AI识别的特征与临床标准 (不对称性,边界不规则性,颜色异质性) 在黑色素瘤分类中的一致性.
• 确定皮肤科医生对可解释性方法的偏好.

主要方法:

• 使用五种可解释性技术分析了100张黑色素瘤图像.
• 两个皮肤科医生用半定量尺度对临床图像进行了视觉解释图的评分.
• 对比了协议率和技术排名.

主要成果:

• 根据临床标准,Grad-CAM表现出最高的同意率 (93.6%).
• LIME,Grad-CAM++,Eigen-CAM和Score-CAM显示出不同的协议率.
• 皮肤科医生最喜欢Grad-CAM和Grad-CAM++.

结论:

• 可解释性方法,特别是Grad-CAM,与皮肤科医生用于黑色素瘤诊断的临床特征有显著一致.
• 人类对可解释性的评估对于评估临床适用性至关重要.
• 这些发现支持将可解释的AI整合到皮肤病诊断中.