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

要約

医療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を使用してトレーニングする必要があり、医療分野ではこのデータが不足していることがよくあります。
ゼロショット法は、ラベル付きデータに依存せずに、異なる臨床所見を伴う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、自動診断を臨床ワークフローに統合するには、方法が透明性があり説明可能であり、医療専門家の信頼を高め、正確さの検証を容易にする必要があります。
この研究では、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、対比視覚言語モデルの説明による分類アプローチをマルチラベルの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 線スキャンで探すであろう記述的観察の存在を分類するようモデルに指示し、記述子の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礎となる記述子の予測に直接基づいているため、私たちのモデルは設計によって説明可能です。
私たちは、CheXpert と ChestX-ray14 という 2 つの胸部 X 線データセットで 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の向上における Xplainer 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と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

提供元, 利用サービス

arxiv.jp, Google