通过将正式概念分析与卷积神经网络集成,提高医学图像分类的可解释性
Minal Khatri1, Yanbin Yin2, Jitender Deogun1
1Department of Computer Science and Engineering, University of Nebraska-Lincoln, Lincoln, NE 68588, USA.
Biomimetics (Basel, Switzerland)
|July 26, 2024
概括
这项研究将正式概念分析 (FCA) 与卷积神经网络 (CNN) 集成,用于可解释的医学图像分类. FCA 方法提供了透明的决策,可与组织病理学中的CNN相比较.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 卷积神经网络 (CNN) 广泛用于医学图像分类.
- 在临床环境中,解释CNN决策仍然是一个重大挑战.
- 当前的可视化方法缺乏跨数据集的高级特征和类标签之间的明确联系.
研究的目的:
- 为了提高医学图像分类的解释性.
- 用形式概念分析 (FCA) 弥合CNN特征学习和类标签之间的差距.
- 为临床决策制定一个透明的图像分类模型.
主要方法:
- 正式概念分析 (FCA) 与卷积神经网络 (CNN) 的整合.
- 使用FCA作为图像分类模型来理解特征标签关系.
- 对基因病理图像数据集 (Warwick-QU,BreakHIS) 的评估和与深度神经分类器的比较.
主要成果:
- 基于FCA的分类器的准确性与深度神经分类器相美.
- 拟议的方法为分类过程提供了透明度.
- 在复杂的遗传病理图像数据集上表现出有效性.
结论:
- 正式概念分析 (FCA) 为医学图像分类提供了一个透明的替代方案.
- 这种方法通过提供可解释的AI模型来增强临床决策.
- 该FCA框架显示了在医疗保健中推进可解释AI的前景.
