属性规范化软直觉变分自编码器用于可解释的心脏疾病分类
原文中文,约300字,阅读约需1分钟。发表于: 。通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化,本文提出一种新的可解释性方法,对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。此外,对下游任务的分析揭示了使用正则化潜空间进行心脏疾病分类的依赖程度,通过将用于预测的属性与临床观察联系起来,展现出了很好的解释性。
本文提出了一种新的可解释性方法,通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化,改进了医学成像中的人工智能模型。实验证明该方法在解决模糊重建问题和提高潜空间可解释性方面具有能力。同时,分析显示使用正则化潜空间进行心脏疾病分类的依赖程度,并展现了很好的解释性。