深入评估突出地图,以解释卷积神经网络决策,以诊断青光眼,基于 Fundus 影像
Jose Sigut1, Francisco Fumero1, José Estévez1
1Department of Computer Science and Systems Engineering, Universidad de La Laguna, Camino San Francisco de Paula, 19, La Laguna, 38203 Santa Cruz de Tenerife, Spain.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
使用 fundus 图像来解释对玻璃眼瘤诊断的 AI 决策是具有挑战性的. Saliency 地图虽然突出显示了重要的区域,但往往提供了与医疗标准不一致的不直观结果.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 玻璃眼是导致不可逆转失明的主要原因.
- 由于无症状的进展,早期的青光眼诊断很困难.
- 眼底摄影通过可视化视神经头部结构,有助于眼的检测.
研究的目的:
- 分析突出地图,以解释卷神经网络 (CNN) 在青光眼诊断中的决策.
- 评估CNN识别的 fundus图像中的突出区域的一致性和医学相关性.
主要方法:
- 在739张视神经头部图像上训练并测试了各种CNN架构.
- 应用了九种不同的突出地图生成方法.
- 对额外的公共数据集的验证结果.
主要成果:
- 在突出地图中观察到显著的差异,在架构中有一些共识.
- 显著性地图的发现与光盘部门的标准医疗标准之间存在有限的协议.
- 背景,鼻腔和时间部门经常被CNN强调.
结论:
- 用于青光眼诊断的 Saliency 地图往往难以解释,并且可能不直观.
- 由于不一致或非医疗标准特征突出显示,突出地图的解释能力可能会受到损害.
- 美国有线电视新闻网 (CNN) 的预测可能依赖于一些特征,这些特征在医学上与突出地图相关的区域中并不总是反映出来.
