MERIT: Multi-view Evidential learning for Reliable and Interpretable liver fibrosis sTaging

在临床实践中，从磁共振成像（MRI）中准确地分期肝纤维化至关重要。虽然传统方法通常专注于特定的子区域，但多视图学习通过同时分析多个补丁来捕获更多信息。然而，以往的多视图方法通常无法自然地计算不确定性，并且通常以黑盒子方式集成来自不同视图的特征，因此会影响所得模型的可靠性和可解释性。在本研究中，我们提出了一种基于证据学习的新型多视图方法，称为MERIT，它在一个统一的框架中解决了这两个挑战。MERIT能够量化预测的不确定性以增强可靠性，并采用基于逻辑的组合规则来提高可解释性。具体而言，MERIT将每个子视图的预测建模为带有量化不确定性的观点，遵循主观逻辑理论的指导。此外，引入了分布感知的基础率以提高性能，特别是在涉及类分布转移的情况下。最后，MERIT采用特定于特征的组合规则来明确融合多视图预测，从而增强可解释性。结果展示了所提出的MERIT的有效性，突出了其可靠性，并提供了即席和事后的可解释性。它们还说明了MERIT可以阐明每个视图在肝纤维化分期的决策过程中的重要性。

论文旨在解决磁共振成像（MRI）在肝纤维化分期中的应用问题，特别是在多视图学习中如何计算不确定性和提高可靠性和可解释性的问题。

论文提出了一种基于证据学习的多视图方法MERIT，采用主观逻辑理论将每个子视图的预测建模为带有量化不确定性的观点，并引入分布感知基础率来增强性能，最后采用特定于特征的组合规则来显式融合多视图预测，从而提高可解释性。

MERIT可以量化预测的不确定性以提高可靠性，并采用逻辑组合规则来提高可解释性。实验结果表明，MERIT在肝纤维化分期中的应用具有良好的效果和可解释性。论文还提供了开源代码和数据集。

在该领域的相关研究包括“Multi-View Learning: A Survey of Recent Advances”和“Evidential Deep Learning to Quantify Classification Uncertainty”。