原因MixNet:在强大的医学图像诊断中进行因果干预的混合注意力框架
Yajie Zhang1, Yu-An Huang2, Yao Hu1
1Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong Special Administrative Region of China.
Medical image analysis
|May 13, 2025
概括
通过解决混因素,CausalMixNet增强了医疗图像的深度学习. 这种新的方法改进了因果关系的探索,从而使得医疗保健中的人工智能模型更加准确和通用.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 因果推理因果推理
背景情况:
- 医学图像中的混因素阻碍了深度学习的准确性和概括性.
- 不能观察到的混因素对人工智能模型中的因果探索构成重大挑战.
研究的目的:
- 介绍CausalMixNet,这是一种用于在医学图像中探测因果关系的新方法.
- 为了减轻无法观察到的混因素,并增强调解者学习因果干预.
主要方法:
- 因果MixNet使用查询混合的注意力和关键和价值混合的注意力.
- 集成非本地推理模块 (NLRM) 和键和值混合互注意 (KVMIA) 进行前门调整.
- 采用补丁掩盖排名模块 (PMRM) 和查询混合内注意力 (QMIA) 进行调解者学习.
主要成果:
- 与现有方法相比,CausalMixNet实现了更高的准确性和F1分数.
- 在数据集中比最接近的竞争对手平均有3%的改进.
- 对噪音,性别偏见和属性偏见表现出强大的表现.
结论:
- 在医学图像分析中,CausalMixNet有效地处理不可观察的混因素.
- 拟议的方法在具有挑战性的条件下保持稳定的性能,改善因果推理.
- 补丁混合机制增强了与病变相关的特征和平均因果效应推断.
