可解释的医学图像分类利用原型学习和特权信息
原文中文，约300字，阅读约需1分钟。发表于：。探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。
Proto-Caps是一种创新解决方案，可以利用额外的训练信息来创建易于理解且功能强大的模型。在LIDC-IDRI数据集上的评估中，该方法提高了超过6%的准确率，并提供了基于案例的推理和可视化验证放射学定义的特征。
