DWARF: Disease-weighted network for attention map refinement

本研究针对医学图像分析中的“人不在循环”和“可信度”问题，通过将医疗专业人员纳入可解释性过程，提高深度学习的可解释性，从而评估医学成像模型的可靠性，降低不准确的患者建议的风险。我们提出了一种疾病加权注意力图细化网络（DWARF），利用专家反馈来增强模型的相关性和准确性。我们的方法采用循环训练来迭代改进诊断性能，生成精确且可解释的特征图。实验结果表明，在多个医学图像数据集上，我们的方法显著提高了可解释性和诊断准确性。这种方法促进了人工智能系统和医疗保健专业人员之间的有效协作，最终旨在改善患者的治疗效果。

解决问题：研究如何提高医学图像诊断模型的可解释性和准确性，解决"人不在循环"和"可信度"问题，促进人工智能系统和医疗专业人员之间的有效协作，最终提高患者的治疗效果。

关键思路：提出一种基于疾病加权注意力图细化网络（DWARF）的方法，通过专家反馈来增强模型的相关性和准确性，采用循环训练来迭代地提高诊断性能，生成精确且可解释的特征图。

其他亮点：实验结果表明，在多个医学图像数据集上，该方法在可解释性和诊断准确性方面都有显著的改进。该方法促进了人工智能系统和医疗专业人员之间的有效协作。

相关研究：最近的相关研究包括："Interpretable Convolutional Neural Networks for Alzheimer's Disease Diagnosis"，"Attention-Based Deep Multiple Instance Learning for Medical Image Classification"等。