Interpretability of AI race detection model in medical imaging with saliency methods
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
Deep neural networks (DNNs) are powerful tools for classifying images. Using these convolutional models for medical images is challenging due to their complexity and large number of parameters, making it hard to find clinically meaningful explanations for their decisions. To overcome the opaqueness inherent to such models, saliency techniques suggest generating maps that highlight the regions of an image important for the DNN's prediction. DNN models have shown the capability of race detection from medical images of different modalities, which is concerning as they under-diagnose patients from historically under-served races. The objective of this paper is to use explainability methods to detect subtle bias that DNNs use to detect a patient's race from chest X-rays. Toward this end, we apply eight state-of-the-art methods and propose to evaluate their effectiveness. We demonstrate that the salient region's size is crucial to understanding network behavior. When the salient region covers 30% of the image, we find that only the Rise method is effective at locating salient areas, as it can both accurately predict a patient's race on chest X-ray images on its own and mislead the network on race detection when removed. We, therefore, note that saliency maps in the medical field should be used with caution, as there is no available ground truth, and the network may occasionally employ low-level image features to compute predictions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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