Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography

要約

信頼性のあるAIモデルを構築することは、特にヘルスケアなどの規制された分野で重要です。
COVID-19に取り組む際に、以前の研究では、畳み込みニューラルネットワークをバックボーンアーキテクチャとして使用しています。これは、意思決定において過度の注意と自信過剰になりがちであり、信頼性が低くなる傾向があります。これは、医用画像のコンテキストにおける重大な欠陥です。
本研究では、注意に基づくメカニズムを使用するVision Transformersを使用した特徴学習アプローチを提案し、医用画像の新しいバックボーンアーキテクチャとしてのTransformersの表現学習機能を検証します。
COVID-19胸部レントゲン写真を分類するタスクを通じて、一般化機能がVisionTransformersのアーキテクチャの進歩のみから利益を得るかどうかを調査します。
定量的および定性的な評価は、「信頼スコア」の計算と視覚的な説明可能性の手法を使用して、モデルの信頼性について実施されます。
注意ベースの特徴学習アプローチは、ヘルスケアのための信頼できる深層学習モデルを構築する上で有望であると結論付けます。

要約(オリジナル)

Building AI models with trustworthiness is important especially in regulated areas such as healthcare. In tackling COVID-19, previous work uses convolutional neural networks as the backbone architecture, which has shown to be prone to over-caution and overconfidence in making decisions, rendering them less trustworthy — a crucial flaw in the context of medical imaging. In this study, we propose a feature learning approach using Vision Transformers, which use an attention-based mechanism, and examine the representation learning capability of Transformers as a new backbone architecture for medical imaging. Through the task of classifying COVID-19 chest radiographs, we investigate into whether generalization capabilities benefit solely from Vision Transformers’ architectural advances. Quantitative and qualitative evaluations are conducted on the trustworthiness of the models, through the use of ‘trust score’ computation and a visual explainability technique. We conclude that the attention-based feature learning approach is promising in building trustworthy deep learning models for healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google