Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes

要約

椎体骨折の等級付けは、椎体骨折の重症度を分類するものであり、医用画像診断における困難なタスクであり、近年ディープラーニング（DL）モデルが注目されている。DL支援医療診断のような重要なユースケースにおいて、透明性と信頼性が必要であるにもかかわらず、このようなモデルを人間が解釈できるようにしようとした研究はわずかである。さらに、そのようなモデルは、ポストホックメソッドまたは追加アノテーションに依存している。本研究では、椎体骨折の関連する部分（プロトタイプ）を見つけ、モデルの判断を人間に理解可能な方法で確実に説明する、新しい解釈可能なバイデザイン手法ProtoVerseを提案する。具体的には、複雑なセマンティクスを持つ小さなデータセットにおけるプロトタイプの繰り返しを緩和するために、新しい多様性を促進する損失を導入する。我々はVerSe’19データセットを用いて実験を行い、既存のプロトタイプベースの手法を凌駕した。さらに、我々のモデルは、ポストホックメソッドに対して優れた解釈可能性を提供する。重要なことは、専門家である放射線科医が、我々の結果の視覚的解釈可能性を検証し、臨床応用可能性を示したことである。

要約(オリジナル)

Vertebral fracture grading classifies the severity of vertebral fractures, which is a challenging task in medical imaging and has recently attracted Deep Learning (DL) models. Only a few works attempted to make such models human-interpretable despite the need for transparency and trustworthiness in critical use cases like DL-assisted medical diagnosis. Moreover, such models either rely on post-hoc methods or additional annotations. In this work, we propose a novel interpretable-by-design method, ProtoVerse, to find relevant sub-parts of vertebral fractures (prototypes) that reliably explain the model’s decision in a human-understandable way. Specifically, we introduce a novel diversity-promoting loss to mitigate prototype repetitions in small datasets with intricate semantics. We have experimented with the VerSe’19 dataset and outperformed the existing prototype-based method. Further, our model provides superior interpretability against the post-hoc method. Importantly, expert radiologists validated the visual interpretability of our results, showing clinical applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL