在深度学习中提高医疗解释性,以诊断与年龄相关的黄斑变性

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:

• 深度学习模型在疾病诊断方面表现有前途,但往往缺乏透明度,阻碍了临床采用.
• 可解释性对于人工智能在医疗保健中的信任和整合至关重要.

研究的目的:

• 开发一个多任务学习框架,用于在与年龄相关的黄斑变性 (AMD) 诊断中解释深度学习.
• 通过使用基底图像来提高AI诊断模型的透明度.

主要方法:

• 开发了一个新的多任务学习框架,以同时分类AMD和细分病变.
• 进行了可解释性分析,引入医学可解释性指数 (MXI) 来量化热图的相关性.
• 该模型在与年龄相关的斑点退化症 (ADAM) 数据集的自动检测挑战中进行了训练和评估.

主要成果:

• 该框架实现了AMD分类的曲线下的面积 (AUC) 为0.96.
• 对于损伤细分,获得了0.59的子相似系数 (DSC).
• 拟议的方法在分类和细分任务中都胜过单任务模型.

结论:

• 多任务学习框架提高了AMD诊断的深度学习模型的解释性.
• 医学可解释性指数 (MXI) 为人工智能决策提供了一种可量化的临床相关性指标.
• 这种方法旨在增加信任,并促进AI在疾病诊断中的临床采用.