可解释的图像分类，提高组织表征的可信度论文速读

Explainable Image Classification with Improved Trustworthiness for Tissue Characterisation

摘要

机器学习模型进行组织表征可以帮助决策并指导安全的肿瘤切除。为了让外科医生信任该模型，需要提供生成的预测的可解释性。对于图像分类模型，像素归因 （PA） 和风险估计是推断可解释性的常用方法。然而，前一种方法缺乏可信度，而后者无法提供模型注意力的视觉解释。

本文提出了第一种方法，该方法将风险估计纳入PA方法，以提高图像分类的可解释性，使其更可信。所提出的方法迭代地应用带有PA方法的分类模型来创建大量PA图。
介绍了一种通过估计像素分布的期望值来生成增强型PA图的方法。此外，变异系数 （CV） 用于估计此增强 PA 地图的像素级风险。因此，所提方法不仅提供了改进的PA图，而且对输出PA值进行了风险估计。

本文方法

使用 ResNet18 在脑膜瘤 pCLE 数据上生成的 PA 图。

目的是生成分类模型的改进 PA 图，同时提供模型可解释性的风险估计ÿ