DWARF: Disease-weighted network for attention map refinement

要約

深層学習の解釈可能性は、医療画像モデルの信頼性を評価し、不正確な患者推奨のリスクを軽減するために重要です。
この研究は、医療専門家を解釈可能性プロセスに統合することで、医療画像分析における「人間の蚊帳の外」と「信頼性」の問題に取り組んでいます。
私たちは、専門家のフィードバックを活用してモデルの関連性と精度を向上させる、疾患重み付けアテンション マップ洗練ネットワーク (DWARF) を提案します。
私たちの方法では、周期的なトレーニングを採用して診断パフォーマンスを反復的に向上させ、正確で解釈可能な特徴マップを生成します。
実験結果は、複数の医用画像データセットにわたって解釈可能性と診断精度が大幅に向上していることを示しています。
このアプローチは、AI システムと医療専門家間の効果的なコラボレーションを促進し、最終的には患者の転帰の改善を目指します。

要約(オリジナル)

The interpretability of deep learning is crucial for evaluating the reliability of medical imaging models and reducing the risks of inaccurate patient recommendations. This study addresses the ‘human out of the loop’ and ‘trustworthiness’ issues in medical image analysis by integrating medical professionals into the interpretability process. We propose a disease-weighted attention map refinement network (DWARF) that leverages expert feedback to enhance model relevance and accuracy. Our method employs cyclic training to iteratively improve diagnostic performance, generating precise and interpretable feature maps. Experimental results demonstrate significant improvements in interpretability and diagnostic accuracy across multiple medical imaging datasets. This approach fosters effective collaboration between AI systems and healthcare professionals, ultimately aiming to improve patient outcomes

arxiv情報

提供元, 利用サービス

arxiv.jp, Google