可解释的基于原型的图像分类,使用医疗图像中的自适应特征提取器
Nicolas Vasconcellos1, Luis M N Tavora1, Rolando Miragaia2
1Instituto de Telecomunicações, Leiria, 2411-901, Portugal; ESTG, Polytechnic of Leiria, Leiria, 2411-901, Portugal.
Computers in biology and medicine
|November 22, 2025
概括
本研究介绍了基于可解释原型的图像分类,增强了AI的可解释性. 该方法提高了准确性,并减少了用于更好的医疗图像分析的原型.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 基于原型的分类器通过使用数据样本 (原型) 来进行分类,提供可解释的AI (XAI).
- 现有的方法经常使用通用特征提取器,限制原型的代表性和分类器性能.
- 这种差距阻碍了在医学成像等专业领域的有效应用.
研究的目的:
- 为基于原型的增强分类器提出一个新的集群导向的培训策略.
- 在图像分类任务中提高AI模型的性能和可解释性.
- 解决特征提取的局限性,以识别代表性原型.
主要方法:
- 开发了基于原型的可解释图像分类 (EPIC),具有新的集群密度错误 (CDE) 损失函数.
- 精心调整的特征提取器,以保留隐性空间中的代表性特征向量.
- 使用主要组件分析 (PCA) 来减少特征向量的维度.
主要成果:
- 在医学图像数据集上实现了高分类准确性 (高达95.01%) 和曲线下的面积 (AUC) (0.992).
- 与现有的基于原型的方法相比,证明了更好的解释性.
- 显著减少了所需的原型数量 (98.38%),同时提高了性能.
结论:
- 拟议的EPIC方法提高了基于原型的分类器的性能和可解释性.
- CDE损失和PCA集成有效地识别代表性原型并减少复杂性.
- 这种方法显示了医疗图像分析中准确和可解释的AI的前景.
