XiaoMi-AI文件搜索系统
World File Search SystemGradCAM
一种可解释的 CNN-Transformer，用于使用 ECG 诊断儿童睡眠呼吸暂停
摘要 — 儿童阻塞性睡眠呼吸暂停 (OSA) 是一种常见的呼吸系统疾病，与心血管风险增加有关。标准诊断是多导睡眠图，但其复杂性、成本和不便性导致诊断不足。为了解决这种情况，我们首次提出了一种简化的替代方法，使用夜间心电图 (ECG) 和基于卷积神经网络和变压器网络的混合模型来估计儿童 OSA 的严重程度。此外，提出了梯度加权类激活映射 (GradCAM) 方法来解释模型结果。为了开展这项研究，使用了来自儿童腺样体扁桃体切除术试验 (CHAT) 和芝加哥大学 (UofC) 数据库的 2,591 条记录。该模型在 CHAT 中实现了 4 类 Cohen's Kappa 0.392，在 UofC 中实现了 0.346。 GradCAM 突出显示了心动过缓-心动过速模式、PQ 和 QT 段以及已识别的 U 波。因此，这种方法可以改善儿童 OSA 的诊断并提供新的相关心脏信息，从而鼓励在临床环境中采用自动化系统。
欺骗性人工智能解释：创造与检测
摘要：人工智能 (AI) 带来了巨大的机遇，但也可能带来重大风险。自动生成的决策解释可以提高透明度并增进信任，尤其是对于基于 AI 模型自动预测的系统。但是，考虑到创建不诚实 AI 的经济激励，我们在多大程度上可以信任解释？为了解决这个问题，我们的工作研究了如何使用 AI 模型（即深度学习和现有的提高 AI 决策透明度的工具）来创建和检测欺骗性解释。作为一项实证评估，我们专注于文本分类并改变由 GradCAM（一种成熟的神经网络解释技术）生成的解释。然后，我们在一项有 200 名参与者的实验中评估了欺骗性解释对用户的影响。我们的研究结果证实，欺骗性解释确实可以欺骗人类。但是，如果有足够的领域知识，可以部署机器学习 (ML) 方法来检测看似微不足道的欺骗企图，准确率超过 80%。即使没有领域知识，只要具备所审查预测模型的基本知识，人们仍然能够以无监督的方式推断出解释中的不一致性。
使用SWIN Transformer的头明梯度注入的自我注意图
颅内出血（ICH）是一种威胁生命的医疗紧急情况，需要及时，准确的诊断才能有效治疗并提高患者的存活率。虽然深度学习技术已成为医学图像分析和处理的主要方法，但最常用的监督学习通常需要大型，高质量的注释数据集，这些数据集可能是昂贵的，尤其是对于像素/体素/体素图像分段。为了应对这一挑战并促进ICH治疗决策，我们采用了一种新型的弱监督方法来进行ICH分割，并利用经过分类标签的ICH分类任务训练的SWIN变压器。我们的方法利用了注入头梯度的自我发项图的分层组合，以生成准确的图像分割。此外，我们对不同的学习策略进行了探索性研究，并表明二进制ICH分类对自我发场地图的影响更大，与完全ICH的亚型相比。平均骰子得分为0.44，我们的技术达到了与流行的U-NET和SWIN-UNETR模型相似的ICH分割性能，并使用GradCam胜过类似的弱监督方法，这表明了在挑战医学图像分割任务中所构成的框架的巨大潜力。我们的代码可在https://github.com/healthx-lab/hgi-sam上找到。
轻度认知障碍的可解释识别...
进展[4]。FDG PET 的 3D 立体定向表面投影 (SSP) 通过将体积脑图像投影到预定义的表面并与健康对照组进行比较，将体积脑图像汇总为 2D 图像 [5]。尽管 3D SSP 已被视为改善痴呆症的视觉诊断，但其在自动图像分类中的使用却受到限制。由于 3D SSP 将脑图像中的切片减少为一些信息丰富的图像，我们假设它可以比使用体积 3D 脑图像实现更高的性能和更好的可解释性。据作者所知，3D SSP 版本的 FDG PET 脑图像尚未用于计算机辅助识别 MCI 进展。在使用具有长短期记忆的随机森林对稳定性和进展性 MCI 进行分类时，报告的分类准确率为 82.6%，灵敏度为 84.8% [ 6 ]（与逻辑回归、支持向量机和低密度分离相比，这是最佳结果）。尽管用于识别有发展为 AD 风险的 MCI 患者的自动化方法很有前景，但其性能仍然很低。此外，虽然基于特征归因的替代模型解释已用于自动 AD 诊断 [ 7 ]，非特征归因解释已用于医学图像 [ 8 ]，但由于数据集的体积特性，使用脑图像的 MCI 进展识别模型的可解释性仍然是一个挑战。此外，尽管一些研究已经使用专家注释量化了计算机辅助放射学诊断解释的定位准确性 [ 9 ]，但当前可用的 MCI 进展模型解释的有效性尚未得到放射科医生的验证。我们训练了一个卷积神经网络 (CNN) 模型来识别有发展为 AD 风险的 MCI 患者，并部署了一种事后可视化的解释，称为梯度加权类激活映射 (GradCAM)。为了解决由于脑图像的体积特性而产生的解释复杂性问题，我们使用 SSP 图像进行模型开发和诊断。此外，一位具有 PET-CT 专业知识的放射科医生评估了从模型生成的解释的有效性。