BriefGPT - AI 论文速递
·
在 CT 扫描中获得的深度学习分类结果是否公平和可解释？
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种解释深度学习模型决策的方法，使用梯度法、特征可视化和多实例学习等技术。该方法在 Camelyon-16 数据集上训练，提出了一种新型计算解释性幻灯片级别热图的方法，可以提高瓦片级分类性能达 29% 以上。
🎯
关键要点
-
深度学习在医学领域的广泛应用面临解释性挑战。
-
提出了一种基于梯度法、特征可视化和多实例学习的解释性方法。
-
该方法旨在解释瓦片级别评分的决策过程及相关功能。
-
在 Camelyon-16 数据集上进行训练，学习区分性特征。
-
提出的新型计算解释性幻灯片级别热图方法通过验证。
-
实验结果显示，该方法提高了瓦片级分类性能达 29% 以上。
➡️
