概括
这项研究引入了一个可解释的AI框架,用于通过将病变视为概念来诊断视网膜疾病. 该模型提高了诊断准确度,并提供了解释,使临床医生能够纠正错误.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习在诊断视网膜疾病方面表现出色,但经常充当"黑子",限制信任.
- 解释性对于AI在医疗保健中的临床采用至关重要.
研究的目的:
- 开发一个内在可解释的深度学习框架,用于视网膜疾病诊断.
- 通过利用病变概念来提高诊断性能和可解释性.
主要方法:
- 利用变压器架构来识别视网膜损伤特征.
- 集成的图像级注释和视网膜基础模型用于概念对齐.
- 采用了基于病变概念的交叉注意力机制来诊断和解释疾病.
主要成果:
- 在四个基金图像数据集上,与最先进的方法相比,取得了竞争性表现.
- 提供了基于人类可以理解的损伤概念及其视觉定位的忠实解释.
- 证明了概念级干预措施的能力,以纠正诊断错误.
结论:
- 拟议的框架为眼科中可解释的人工智能提供了一个有希望的方法.
- 使临床医生能够理解和干预人工智能驱动的诊断过程.
- 促进开发更可靠和临床适用的AI工具用于视网膜疾病诊断.


