计算机科学>计算机视觉与模式识别
标题: 临床领域知识衍生模板改进了气胸分类的事后人工智能解释
摘要: 背景:气胸是一种急性胸部疾病,由肺部和胸壁之间的异常气体聚集引起。 为了解决与深度学习(DL)模型经常相关的不透明性,引入了可解释人工智能(XAI)方法来概述与DL模型进行气胸诊断相关的区域。 然而,这些解释有时与实际病变区域不同,突出了进一步改进的必要性。 方法:我们提出了一种模板指导的方法,将气胸的临床知识纳入XAI方法生成的模型解释中,从而提高这些解释的质量。 利用放射科医生创建的一个病变轮廓,我们的方法首先生成一个表示气胸发生的潜在区域的模板。 然后将该模板叠加在模型解释上,以过滤掉模板边界之外的无关解释。 为了验证其有效性,在解释两个真实数据集中的两个DL模型时,我们对三种XAI方法进行了比较分析,这三种方法有和没有我们的模板指导。 结果:该方法在基于三种XAI方法、两种DL模型和两个数据集的十二个基准场景中持续改进了基线XAI方法。 在比较模型解释和地面实际损伤面积时,通过基线性能的性能改进计算出的平均增量百分比在交集与联合(IoU)中为97.8%,在骰子相似系数(DSC)中为94.1%。 结论:在气胸诊断的背景下,我们提出了一种改进人工智能解释的模板指导方法。 我们预计,我们的模板指南将通过整合临床领域专业知识,形成一种新的方法来解释人工智能模型。