Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis

要約

医用画像からの自動診断予測は、臨床上の意思決定をサポートする貴重なリソースです。
ただし、このようなシステムは通常、大量の注釈付きデータでトレーニングする必要がありますが、これは医療分野では不足することがよくあります。
ゼロショット法は、ラベル付けされたデータに依存することなく、さまざまな臨床所見を持つ新しい設定に柔軟に適応できるようにすることで、この課題に対処します。
さらに、自動化された診断を臨床ワークフローに統合するには、方法が透明で説明可能であり、医療専門家の信頼を高め、正確性の検証を容易にする必要があります。
この作業では、臨床現場で説明可能なゼロショット診断のための新しいフレームワークである Xplainer を紹介します。
Xplainer は、対照的な視覚言語モデルの記述による分類アプローチをマルチラベル医療診断タスクに適応させます。
具体的には、診断を直接予測する代わりに、放射線科医が X 線スキャンで探す記述的観測の存在を分類するようにモデルを促し、記述子確率を使用して診断の可能性を推定します。
最終的な診断予測は、基になる記述子の予測に直接基づいているため、モデルは設計によって説明可能です。
2 つの胸部 X 線データセット、CheXpert と ChestX-ray14 で Xplainer を評価し、ゼロ ショット診断のパフォーマンスと説明可能性を改善する上でのその有効性を実証します。
私たちの結果は、Xplainer が意思決定プロセスのより詳細な理解を提供し、臨床診断のための貴重なツールになり得ることを示唆しています。

要約(オリジナル)

Automated diagnosis prediction from medical images is a valuable resource to support clinical decision-making. However, such systems usually need to be trained on large amounts of annotated data, which often is scarce in the medical domain. Zero-shot methods address this challenge by allowing a flexible adaption to new settings with different clinical findings without relying on labeled data. Further, to integrate automated diagnosis in the clinical workflow, methods should be transparent and explainable, increasing medical professionals’ trust and facilitating correctness verification. In this work, we introduce Xplainer, a novel framework for explainable zero-shot diagnosis in the clinical setting. Xplainer adapts the classification-by-description approach of contrastive vision-language models to the multi-label medical diagnosis task. Specifically, instead of directly predicting a diagnosis, we prompt the model to classify the existence of descriptive observations, which a radiologist would look for on an X-Ray scan, and use the descriptor probabilities to estimate the likelihood of a diagnosis. Our model is explainable by design, as the final diagnosis prediction is directly based on the prediction of the underlying descriptors. We evaluate Xplainer on two chest X-ray datasets, CheXpert and ChestX-ray14, and demonstrate its effectiveness in improving the performance and explainability of zero-shot diagnosis. Our results suggest that Xplainer provides a more detailed understanding of the decision-making process and can be a valuable tool for clinical diagnosis.

arxiv情報

著者 Chantal Pellegrini,Matthias Keicher,Ege Özsoy,Petra Jiraskova,Rickmer Braren,Nassir Navab
発行日 2023-03-23 16:07:31+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク