Human-centered XAI for Burn Depth Characterization

要約

米国では毎年約 125 万人が火傷の治療を受けています。
火傷の正確な分類は、医療 AI 分野の重要な側面です。
この作業では、火傷の超音波分類モデルを改善するための説明可能な人間参加型フレームワークを提案します。
私たちのフレームワークは、LIME 分類の説明者に基づく説明システムを活用して、火傷の専門家の知識を裏付けて統合し、新しい機能を提案し、モデルの妥当性を保証します。
このフレームワークを使用して、テクスチャ機能を提供することで B モード超音波分類器を強化できることを発見しました。
より具体的には、超音波フレームのグレイ レベル共生マトリックス (GLCM) に基づくテクスチャ機能が、伝達学習による熱傷深度分類器の精度を向上できることを確認します。
ブタの被験者からの実際のデータで仮説をテストします。
フレームワークに従って修正すると、火傷の深さの分類の精度が最大 88% から最大 94% に向上することがわかります。

要約(オリジナル)

Approximately 1.25 million people in the United States are treated each year for burn injuries. Precise burn injury classification is an important aspect of the medical AI field. In this work, we propose an explainable human-in-the-loop framework for improving burn ultrasound classification models. Our framework leverages an explanation system based on the LIME classification explainer to corroborate and integrate a burn expert’s knowledge — suggesting new features and ensuring the validity of the model. Using this framework, we discover that B-mode ultrasound classifiers can be enhanced by supplying textural features. More specifically, we confirm that texture features based on the Gray Level Co-occurance Matrix (GLCM) of ultrasound frames can increase the accuracy of transfer learned burn depth classifiers. We test our hypothesis on real data from porcine subjects. We show improvements in the accuracy of burn depth classification — from ~88% to ~94% — once modified according to our framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google