jarxiv

要約

この研究では、人工知能ベースの医療画像分析における交絡効果と解釈可能性の課題に対処しています。
既存の文献は、潜在的な表現から交絡因子関連の情報を削除することで交絡を解決することがよくありますが、この戦略は生成モデルの画像再構成の品質に影響を与えるリスクがあり、機能の視覚化における適用性を制限します。
これに取り組むために、画像データの代替交絡因子のない表現を見つけながら、潜在的な表現に交絡関連情報を保持する別の戦略を提案します。
私たちのアプローチでは、自動エンコーダーの潜在スペースをベクトル空間と見なします。このスペースでは、学習ターゲット（t）や交絡因子（c）などのイメージング関連の変数が、変動性をキャプチャするベクトルを持っています。
交絡問題は、交絡因子に関連するベクトルに直交するが、ターゲット関連のベクトルと最大限に一致する交絡因子のないベクトルを検索することにより対処されます。
これを達成するために、潜在空間でベクトル検索を実行するだけでなく、変数と直線的に相関する潜在的な表現を生成することをエンコーダーに生成するように促す新しい相関ベースの損失を導入します。
その後、交絡因子のないベクトルに沿って画像をサンプリングおよび再構築することにより、交絡因子のない表現を解釈します。
提案された方法の有効性と柔軟性は、3つのアプリケーションにわたって実証されており、複数の交絡因子に対応し、多様な画像モダリティを利用しています。
結果は、交絡因子の影響を減らし、誤解や誤解を招く関連性を妨げ、臨床および疫学研究者による詳細な調査のためのユニークな視覚的解釈を提供する方法の有効性を確認します。
このコードは、次のgitlabリポジトリでリリースされています：https：//gitlab.com/radiology/compopbio/ai_based_association_analysis}

要約(オリジナル)

This study addresses the challenges of confounding effects and interpretability in artificial-intelligence-based medical image analysis. Whereas existing literature often resolves confounding by removing confounder-related information from latent representations, this strategy risks affecting image reconstruction quality in generative models, thus limiting their applicability in feature visualization. To tackle this, we propose a different strategy that retains confounder-related information in latent representations while finding an alternative confounder-free representation of the image data. Our approach views the latent space of an autoencoder as a vector space, where imaging-related variables, such as the learning target (t) and confounder (c), have a vector capturing their variability. The confounding problem is addressed by searching a confounder-free vector which is orthogonal to the confounder-related vector but maximally collinear to the target-related vector. To achieve this, we introduce a novel correlation-based loss that not only performs vector searching in the latent space, but also encourages the encoder to generate latent representations linearly correlated with the variables. Subsequently, we interpret the confounder-free representation by sampling and reconstructing images along the confounder-free vector. The efficacy and flexibility of our proposed method are demonstrated across three applications, accommodating multiple confounders and utilizing diverse image modalities. Results affirm the method’s effectiveness in reducing confounder influences, preventing wrong or misleading associations, and offering a unique visual interpretation for in-depth investigations by clinical and epidemiological researchers. The code is released in the following GitLab repository: https://gitlab.com/radiology/compopbio/ai_based_association_analysis}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google