A novel convolutional interpretability model for pixel-level interpretation of medical image classification through fusion of machine learning and fuzzy logic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial intelligence (AI) models for medical image analysis have achieved high diagnostic performance, but they often lack interpretability, limiting their clinical adoption. Existing methods can explain predictions at the image level, but they cannot provide pixel-level insights. This study proposes a novel fusion of machine learning and fuzzy logic to develop an interpretable model that can precisely identify discriminative image regions driving diagnostic decisions and generate heatmap visualization. The model is trained and evaluated on a dataset of CT scans containing healthy and diseased organ images. Quantitative features are extracted across pixels and normalized into representation matrices using a machine learning model. Subsequently, the contribution of each detected lesion to the overall prediction is quantified using fuzzy logic. Organ segment weighted averages are computed to identify significant lesions. The model explains application of AI in medical imaging with an unprecedented level of detail. It can explain fine-grained image areas that have the greatest influence on diagnostic outcomes by mapping raw image pixels to fuzzy membership concepts. Lesions are found with effect sizes and statistical significance (p < 0.05). Our model outperforms three existing methods in terms of interpretability and diagnostic accuracy by 10–15%, while maintaining computational efficiency. By disclosing crucial image evidence that supports AI decisions, this interpretable model improves transparency and clinician trust. Ethical implications of integrating AI in clinical settings are discussed, and future research directions are outlined. This study significantly advances the development of safe and interpretable AI for enhancing patient care through imaging analytics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle