11、可解释深度学习在医学图像分析中的应用

可解释深度学习在医学图像分析中的应用

1. 卷积神经网络图像分类特征理解方法

在图像分类领域，卷积神经网络（CNN）的最后卷积层包含了图像中物体的高级信息。基于这一理念，有一种特征理解方法（FEM）被应用于胸部X光图像的分类和结果解释，特别是在具有高社会影响的COVID - 19疾病检测问题上。

医学图像解释需要对高重要性像素有更精细分辨率的解释图。为此，提出了改进的FEM方法，用从多层感知器（MLP）学习到的权重代替最后卷积层特征的平均权重。用这些学习到的权重对特征图进行进一步加权，能产生更好的解释，更聚焦于X光图像中的相关区域。

该方法的结果有望让医学专家更信任基于CNN的解决方案的结果，有助于确定此类网络的可靠性，使这些解决方案在实际应用中更稳健。

2. 可解释深度学习解密多发性硬化症疾病特征

2.1 背景与动机

卷积神经网络（CNNs）因能解决复杂分类任务而受到关注，近年来开始用于临床问题，如患者分层和疾病检测。然而，其难以解释的问题成为医学应用的主要瓶颈，可解释人工智能（XAI）应运而生，旨在克服这一局限。

多发性硬化症（MS）的发病机制大多未知，患者分层若能利用XAI技术将大有裨益。MS影响大脑和脊髓，可能导致身体和认知残疾。其中，复发 - 缓解型和原发性进展型MS（RRMS和PPMS）最为常见，尽早区分这两种类型有助于为患者制定个性化治疗方案。

研究发现，虽然PPMS和RRMS都存在脱髓鞘和萎缩现象，但两者的相对结构和模式在数量和质量上有所不同，这表明两种表型的分化可能由不同机制驱动。近期研究假设，这种区分可能与灰质（GM）中病变的出现有关，GM损伤与疾病的早