在基于深度学习的乳房图分析中对基于 Saliency 的可解释人工智能 (XAI) 方法进行定量评估
Esma Cerekci1, Deniz Alis2, Nurper Denizoglu3
1Sisli Hamidiye Etfal Training and Research Hospital, Department of Radiology, Istanbul, Turkey.
European journal of radiology
|February 16, 2024
概括
在乳腺癌检测中基于突出性的可解释人工智能 (XAI) 方法的定量评估显示出局限性. 虽然这些方法提供了一些洞察力,但它们往往无法准确地确定深度学习模型所做的诊断决策.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 可解释的人工智能 (XAI) 对于理解医学诊断中的深度学习 (DL) 模型至关重要.
- 度方法是医学成像中的常见XAI工具,但它们的性能缺乏定量验证.
- 这项研究解决了对乳腺癌检测这些方法的严格评估的需要.
研究的目的:
- 量化评估使用乳房影像检测乳腺癌的流行突出XAI技术的性能.
- 为 XAI 在临床诊断支持中的可靠性提供基于证据的见解.
主要方法:
- 一个数据集由1496张乳房影像 (癌症阳性和阴性) 进行了策划,由三个放射科医生进行了基准真相注释.
- 在MLO和CC视图上使用预训练的深度学习模型来检测乳腺癌.
- 度方法 (Grad-CAM,Grad-CAM++,Eigen-CAM) 使用指向游戏指标与地面真相界限框进行了评估.
主要成果:
- 深度学习模型在测试组中实现了69%的回忆,88%的精度,80%的准确性和0.77的F1-Score.
- 在所有癌症患者中,Grad-CAM,Grad-CAM++和Eigen-CAM的指针游戏分数分别为0.41,0.30和0.35.
- 当仅考虑真阳性病例时,得分略有改善至0.41,0.31和0.36.
结论:
- 基于 Saliency 的 XAI 方法为乳房镜中的深度学习模型提供了部分可解释性.
- 这些方法在准确地界定乳腺癌检测DL模型的决策过程方面存在局限性.
- 需要进一步的研究来开发更可靠的XAI技术用于临床应用.
