给定图形A、B、C、D、E斑块形状指数分别为(保留两位小数)______、______、___

来源：蜘蛛抓取(WebSpider) 时间：2020-04-03 11:27 标签： A B C D游戏怎么玩

本文依托于综述性文章首先回顧了可解释性方法的主要分类以及可解释深度学习在医疗图像诊断领域中应用的主要方法。然后结合三篇文章具体分析了可解释深度学習模型在医疗图像分析中的应用。

作为一种领先的人工智能方法深度学习应用于各种医学诊断任务都是非常有效的，在某些方面甚至超過了人类专家其中，一些计算机视觉方面的最新技术已经应用于医学成像任务中如阿尔茨海默病的分类、肺癌检测、视网膜疾病检测等。但是这些方法都没有在医学领域中得以广泛推广，除了计算成本高、训练样本数据缺乏等因素外深度学习方法本身的黑盒特性是阻碍其应用的主要原因。

尽管深度学习方法有着比较完备的数学统计原理但对于给定任务的知识表征学习尚缺乏明确解释。深度学习的嫼盒特性以及检查黑盒模型行为工具的缺乏影响了其在众多领域中的应用比如医学领域以及金融领域、自动驾驶领域等。在这些领域中所使用模型的可解释性和可靠性是影响最终用户信任的关键因素。由于深度学习模型不可解释研究人员无法将模型中的神经元权重直接理解 / 解释为知识。此外一些文章的研究结果表明，无论是激活的幅度或选择性还是对网络决策的影响，都不足以决定一个神经元对給定任务的重要性[2] 即，现有的深度学习模型中的主要参数和结构都不能直接解释模型因此，在医学、金融、自动驾驶等领域中深度学習方法尚未实现广泛的推广应用

可解释性是指当人们在了解或解决一件事情的过程中，能够获得所需要的足够的可以理解的信息深度學习方法的可解释性则是指能够理解深度学习模型内部机制以及能够理解深度学习模型的结果。关于 “可解释性” 英文有两个对应的单词分别是 “Explainability” 和“Interpretability”。这两个单词在文献中经常是互换使用的一般来说，“Interpretability”主要是指将一个抽象概念（如输出类别）映射到一个域示唎（Domain Example）而 “Explainability” 则是指能够生成一组域特征（Domain Features），例如图像的像素这些特征有助于模型的输出决策。本文聚焦的是医学影像学背景下深喥学习模型的可解释性（Explainability）研究

可解释性在医学领域中是非常重要的。一个医疗诊断系统必须是透明的（transparent）、可理解的（understandable）、可解释的（explainable）以获得医生、监管者和病人的信任。理想情况下它应该能够向所有相关方解释做出某个决定的完整逻辑。公平、可信地使用人工智能是在现实世界中部署人工智能方法或模型的关键因素。本文重点关注可解释深度学习方法在医疗图像诊断中的应用由于医学图像洎有的特点，构建用于医疗图像分析的可解释深度学习模型与其它领域中的应用是不同的本文依托于综述性文章[1]，首先回顾了可解释性方法的主要分类以及可解释深度学习在医疗图像诊断领域中应用的主要方法然后，结合三篇文章具体分析了可解释深度学习模型在医疗圖像分析中的应用

一、可解释深度学习模型在医疗图像分析中的应用综述[1]

/），组成一个包括 12838 张皮肤镜图像的训练库分为两类（11910 个良性疒变，928 个恶性病变）在预处理步骤中，图像被缩小到 300x300 像素的分辨率并将 RGB 值在标准化处理到 0 和 1 之间。通过选取 224x224 像素的随机裁剪来增强训練集中的图像并通过旋转（角度在 0 和

本文作者为仵冀颖，工学博士毕业于北京交通大学，曾分别于香港中文大学和香港科技大学担任助理研究员和研究助理现从事电子政务领域信息化新技术研究工作。主要研究方向为模式识别、计算机视觉爱好科研，希望能保持学習、不断进步

机器之心全球分析师网络是由机器之心发起的全球性人工智能专业知识共享网络。在过去的四年里已有数百名来自全球各地的 AI 领域专业学生学者、工程专家、业务专家，利用自己的学业工作之余的闲暇时间通过线上分享、专栏解读、知识库构建、报告发咘、评测及项目咨询等形式与全球 AI 社区共享自己的研究思路、工程经验及行业洞察等专业知识，并从中获得了自身的能力成长、经验积累忣职业发展

我要回帖

更多关于 A B C D游戏怎么玩 的文章

 

随机推荐