一个新的可解释的AI框架用于医疗图像分类,集成统计,视觉和基于规则的方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度学习模型在医疗数据分析方面表现出色,但由于其"黑子"性质,缺乏透明度.
• 现有的可解释AI (XAI) 方法仅通过可视化或基于规则的系统提供有限的解释性.
• 在高风险的医疗应用中,解释AI决策至关重要.

研究的目的:

• 为医疗图像分析开发一种新的XAI方法,该方法集成了统计,视觉和基于规则的解释.
• 提高医疗图像分类中的深度学习模型的透明度和可解释性.
• 为临床医生提供对人工智能驱动的诊断过程的更深入的见解.

主要方法:

• 一个定制的Mobilenetv2模型从医疗图像中提取了深度特征.
• 一个两步的特征选择 (基于零的过和相互重要性的选择) 提炼了提取的特征.
• 决策树和RuleFit模型生成人类可读的规则,并补充了一个新的统计特征地图叠加可视化 (平均值,斜率,).

主要成果:

• 拟议的XAI方法在五个不同的医学成像数据集 (COVID-19,乳腺癌,脑瘤,肺癌/结肠癌,玻璃眼) 中得到了验证.
• 综合方法提供了本地化和可量化的视觉解释,提高了模型的透明度.
• 结果得到了医学专家的证实,表明了实际的实用性.

结论:

• 新的XAI方法显著提高了医疗图像分类中的深度学习模型的可解释性.
• 统计,视觉和基于规则的解释的整合提供了对AI决策的更全面的理解.
• 这种方法有望增加AI在临床环境中的信任和采用.