Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes

要約

椎骨骨折の等級付けは椎骨骨折の重症度を分類します。これは医療画像処理において困難な作業であり、最近ディープラーニング (DL) モデルの注目を集めています。
DL支援による医療診断のような重要なユースケースでは透明性と信頼性が必要であるにもかかわらず、そ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しかありませんでした。
さらに、そのようなモデルはポストホック手法または追加の注釈に依存します。
この研究では、人間が理解できる方法でモデルの決定を確実に説明する椎骨骨折の関連サブパーツ (プロトタイプ) を見つけるための、設計によって解釈可能な新しい手法 ProtoVerse を提案します。
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でのプロトタイプの繰り返しを軽減するために、新しい多様性促進損失を導入します。
私たちは VerSe’19 データセットを使って実験し、既存のプロトタイプベースの方法よりも優れた結果を出しました。
さらに、私たちのモデルはポストホック手法に対して優れた解釈可能性を提供します。
重要なのは、専門の放射線科医が結果の視覚的な解釈可能性を検証し、臨床応用可能性を示したことです。

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, Google