PRECISe：在不平衡和稀缺数据环境下的可解释分类原型保留
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本研究探讨了深度学习模型在医学成像中的应用，强调可解释性机器学习在自动诊断中的潜力。通过多源数据集，提出了半监督学习框架和基于概念瓶颈的预处理方法，改善了分类性能并消除了虚假相关性。同时，研究关注模型公平性和细粒度学习，提出新的评估指标以提升医学影像分析效果。
❓
Q&A
可解释性机器学习在医学影像中的应用有哪些潜力？
可解释性机器学习在医学影像数据自动诊断中具有提高准确性和可解释性的潜力，尤其在骨折检测和皮肤癌诊断方面表现突出。
如何解决医学图像分类中的数据注释耗时和类别分布不平衡的问题？
通过提出基于自我训练的半监督学习框架，可以捕捉类依赖性边缘预测，从而解决数据注释耗时和类别分布不平衡的问题。
什么是基于概念瓶颈的预处理方法，它有什么优势？
基于概念瓶颈的预处理方法改善了肺癌检测的分类性能，并生成了更可靠的临床相关解释，解决了现有技术在医疗数据上解释能力较差的问题。
研究中如何评估医学图像分类中的偏差演化？
通过使用领域特定的公平度量，评估反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差。
引入平衡分类损失和分布边际损失有什么效果？
引入平衡分类损失和分布边际损失有效缓解了医学数据集中不平衡导致的分类器偏见和遗忘现象，实验结果证明了该方法的优越性。
细粒度学习在自动放射学诊断中的重要性是什么？
细粒度学习在自动放射学诊断中是必要的，因为正类内部存在显著差异，能够帮助AI系统更有效地学习医学影像中的细粒度信息。
🏷️
