揭开黑盒子:医学图像分析中可解释的人工智能的系统审查
Dost Muhammad1, Malika Bendechache1
1ADAPT Research Centre, School of Computer Science, University of Galway, Galway, Ireland.
Computational and structural biotechnology journal
|September 10, 2024
概括
可解释的人工智能 (XAI) 通过使机器学习 (ML) 和深度学习 (DL) 决策透明,提高了对医疗AI的信任. 本综述探讨了XAI当前的方法,挑战以及医疗保健应用的未来方向.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 医疗保健技术 技术 医疗保健 技术
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 在医疗应用中显示出越来越高的效率.
- 由于ML / DL的"黑盒子"性质,由于医疗法律影响,阻碍了临床采用.
- 可解释的人工智能 (XAI) 对人工智能驱动的医疗保健决策的透明度和信任至关重要.
研究的目的:
- 系统地审查医疗图像分析中最先进的XAI方法.
- 确定XAI在医疗保健中的挑战和未来研究方向.
- 探索用于评估XAI方法的评估指标.
主要方法:
- 在医学图像分析中应用XAI方法的系统文献综述.
- 分析当前的挑战和该领域未来的研究方向.
- 对XAI方法的评估指标的探索.
主要成果:
- 突出了先进的XAI方法,提高了ML/DL决策的透明度和信任.
- 概述了目前阻碍XAI在临床环境中有效实施的挑战.
- 确定了未来研究的关键领域,以在医疗应用中推进XAI.
结论:
- XAI对于弥合人工智能能力和临床采用之间的差距至关重要.
- 需要进一步的研究来标准化和改进XAI在医疗保健中的实施.
- 促进XAI的创新促进了一个更加透明和可信的AI驱动的医疗保健系统.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
