【文献解读】可解释的深度卷积神经网络预测肺结节的良恶性
摘要
尽管深度学习算法在计算机辅助诊断等任务中有着突出的表现，但这些模型很难解释，没有纳入先前的领域知识，而且常常被视为一个“黑匣子”。缺乏可解释性会阻碍它们被医生所接受。在这篇文章中，作者提出一个新的可解释的深度卷积神经网络（HSCNN）来预测在CT图像上观察到的肺结节的良恶性。该网络提供两个层次的输出：低级别的语义信息，主要反映了放射科医生经常报告的诊断特征，用于以专家可理解的方式解释图像。随后这些输出的信息通过卷积层的进一步学习，被组合并生成推断结节恶性程度的高级别输出。本文在肺图像数据库（LIDC）中的实验结果表明，与单独使用3D CNN相比，本文所提出的方法不仅可以产生可解释的肺癌预测，而且可以获得更好的结果。
发表期刊：Expert systems with applications
发表日期：2019年8月
参考文献
Shen S, Han SX, Aberle DR, Bui AA, Hsu W. An Interpretable Deep Hierarchical Semantic Convolutional Neural Network for Lung Nodule Malignancy Classification. Expert Syst Appl. 2019;128:84-95.
视频推荐
