ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging

在医学影像领域采用深度学习算法是一个备受关注的研究领域，具有推进基于人工智能的计算机辅助诊断(AI-CAD)解决方案的高潜力。然而，由于缺乏可解释性特征和高数据需求，当前的解决方案面临挑战，因此最近有人努力解决这些问题。在本研究中，我们提出了ProtoAL方法，其中我们将一个可解释的深度学习模型集成到深度主动学习(DAL)框架中。这种方法旨在通过专注于医学影像背景并利用基于原型的固有可解释性模型来解决这两个挑战。我们在Messidor数据集上评估了ProtoAL，仅利用可用标记数据的76.54％，实现了0.79的精度-召回曲线下面积。这些能力可以增强DL模型在医学领域的实际可用性，为领域专家提供一种信任校准的手段，并为常见的数据稀缺情况下的学习提供合适的解决方案。

解决问题：该论文旨在解决医学图像领域中深度学习算法面临的可解释性和高数据需求等挑战，提出了ProtoAL方法，将可解释的深度学习模型集成到深度主动学习框架中，以便在医学图像上实现高效的计算机辅助诊断。

关键思路：该论文的关键思路是将可解释的深度学习模型ProtoNet与深度主动学习框架相结合，以便在医学图像上实现高效的计算机辅助诊断。相比当前的研究，该方法具有更好的可解释性和更高的效率。

其他亮点：该论文使用Messidor数据集进行了实验，并取得了0.79的平均准确率-召回率曲线下面积，仅使用了76.54％的已标记数据。该方法具有很好的可解释性和高效性，可以提高深度学习模型在医学领域的实用性。此外，该论文还提供了开源代码。

相关研究：近期在医学图像领域中，也有其他相关研究，如《Interpretable Convolutional Neural Networks for Alzheimer's Disease Diagnosis Based on Hippocampus MRI》和《Deep Learning for Medical Image Analysis: A Review》等。