Die Studie präsentiert einen wissensgeleiteten Ansatz, um die Erklärungen von KI-Modellen für die Pneumothorax-Diagnose zu verbessern. Ausgehend von der klinischen Erkenntnis, dass Pneumothorax im Pleuraspalt zwischen Lunge und Brustwand auftritt, wird eine Vorlage generiert, die diesen Bereich abdeckt. Diese Vorlage wird dann auf die Erklärungen der Basismodelle angewendet, um irrelevante Erklärungen außerhalb der Vorlage zu filtern.
Die Leistung des vorgeschlagenen Ansatzes wurde in zwölf Benchmark-Szenarien unter Verwendung von drei XAI-Methoden (Saliency Map, Grad-CAM und Integrierte Gradienten), zwei KI-Modellen (VGG-19 und ResNet-50) und zwei Datensätzen (SIIM-ACR und ChestX-Det) evaluiert. Der Ansatz verbesserte die Basislinien-XAI-Methoden konsistent, wobei die durchschnittlichen Steigerungsraten bei 97,8% für den Intersection-over-Union-Wert (IoU) und 94,1% für den Dice-Ähnlichkeitskoeffizienten (DSC) lagen, wenn die Modelerklärungen mit den von Radiologen gekennzeichneten Läsionsbereichen verglichen wurden.
Die Studie zeigt, dass die Einbindung klinischen Wissens in die Erklärung von KI-Modellen deren Vertrauenswürdigkeit und Akzeptanz in der Praxis erhöhen kann. Der vorgeschlagene Ansatz ist nicht auf Pneumothorax beschränkt, sondern kann auch auf andere thorakale Erkrankungen mit klinisch validierten Auftrittsbereichen angewendet werden.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Han Yuan,Chu... في arxiv.org 03-29-2024
https://arxiv.org/pdf/2403.18871.pdfاستفسارات أعمق