Learning Group-Disentangled Representation for Interpretable Thoracic Pathologic Prediction

論文下載地址：

2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), CCF-B（錄用率20%）

深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分析任務(wù)中表現(xiàn)出了顯著的性能。然而，該類方法通常在特征提取和決策過程中表現(xiàn)得像沒有解釋的“黑匣子”，導(dǎo)致缺乏臨床洞察力和高風險評估。為了幫助深度學(xué)習(xí)用視覺線索判斷疾病，我們提出了表示組解耦網(wǎng)絡(luò)（RGD-Net），它可以將輸入X射線圖像的特征空間完全分解為幾個獨立的特征組，每個特征組對應(yīng)于特定的疾病。通過完全解耦，RGD網(wǎng)絡(luò)提高了醫(yī)學(xué)圖像分析中特征提取和決策的可解釋性和準確性。RGD-Net以多幅語義相關(guān)和標記的X射線圖像為輸入，首先通過組解耦模塊提取疾病的完全組解耦表示，該模塊應(yīng)用組交換和鏈接操作，通過增強屬性的語義一致性來構(gòu)建潛在空間。為了防止學(xué)習(xí)被定義為捷徑問題的退化表示，我們進一步在從特征到疾病的映射上引入了對抗性約束，從而避免了模型因自由形式組解耦而崩潰。在chestxray-14和ChestXpert數(shù)據(jù)集上的實驗表明，RGD網(wǎng)絡(luò)在預(yù)測疾病方面具有顯著優(yōu)勢，它利用了導(dǎo)致不同疾病的潛在因素，從而增強了深度學(xué)習(xí)方法工作的可解釋性。