原始帽:使用原型学习和特权信息进行可解释的医疗图像分类
Luisa Gallée1,2, Catharina Silvia Lisson2,3, Timo Ropinski2,4
1Experimental Radiology, Ulm University Medical Center, Germany, Ulm, Germany.
PeerJ. Computer science
|June 26, 2025
概括
我们开发了Proto-Caps,这是一个可解释的AI (xAI) 模型,用于医学图像分类. 它使用视觉原型进行可理解的解释,在不牺牲准确性的情况下实现高性能.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 可解释性AI (xAI) 对于医学等高风险应用至关重要.
- 了解AI决策对于诊断和治疗支持系统至关重要.
- 目前的xAI方法可能缺乏用于临床评估的直观解释.
研究的目的:
- 引入Proto-Caps,这是一个内在可解释的图像分类模型.
- 为人工智能驱动的医疗决策提供直观和全面的解释.
- 提高AI在医疗环境中的可靠性和性能.
主要方法:
- 开发了Proto-Caps,这是一个新的内在可解释的图像分类模型.
- 利用人类定义的视觉原型来解释模型决策.
- 在两个公共医疗图像数据集上评估了性能.
- 通过分析预测-解释对齐来评估解释的真实性.
主要成果:
- 与现有的可解释AI方法相比,Proto-Caps表现出更高的性能.
- 基于视觉原型的模型解释被发现是真实的,并与预测保持一致.
- 通过广泛的超参数研究确定了最佳模型设置.
- 纳入可解释性并没有影响模型性能.
结论:
- Proto-Caps提供了一种有前途的方法,用于医疗图像分类中的内在可解释的AI.
- 使用视觉原型可以增强对AI诊断工具的理解和信任.
- 将xAI与高性能结合起来是可以实现的,为更安全的临床AI采用铺平了道路.
更多相关视频
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
8.4K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.0K
