Survey of Explainable AI Techniques in Healthcare.
Survey of Explainable AI Techniques in Healthcare.
复制标题
DOI：
10.3390/s23020634
复制
发表时间：
2023-01-05
期刊：
影响因子：
--
通讯作者：
Bouridane A
中科院分区：
文献类型：
--
作者：
Chaddad A;Peng J;Xu J;Bouridane A
具有深度学习模型的人工智能（AI）已广泛应用于许多领域，包括医学成像和医疗保健任务。在医学领域，任何判断或决定都充满了风险。医生会仔细判断病人是否生病，然后根据病人的症状和/或检查结果作出合理的解释。因此，要成为一种可行且被接受的工具，人工智能需要模仿人类的判断和解释技能。具体来说，可解释的人工智能（XAI）旨在解释深度学习黑箱模型背后的信息，揭示决策是如何做出的。本文提供了最新的XAI技术在医疗保健和相关的医学成像应用的调查。我们总结和分类了XAI类型，并强调了用于增加医学成像主题可解释性的算法。此外，我们专注于医学应用中具有挑战性的XAI问题，并提供指南，以便在医学图像和文本分析中使用XAI概念开发更好的深度学习模型解释。此外，该调查为指导开发人员和研究人员对临床主题的未来前瞻性调查提供了未来的方向，特别是在医学成像的应用方面。
Artificial intelligence (AI) with deep learning models has been widely applied in numerous domains, including medical imaging and healthcare tasks. In the medical field, any judgment or decision is fraught with risk. A doctor will carefully judge whether a patient is sick before forming a reasonable explanation based on the patient’s symptoms and/or an examination. Therefore, to be a viable and accepted tool, AI needs to mimic human judgment and interpretation skills. Specifically, explainable AI (XAI) aims to explain the information behind the black-box model of deep learning that reveals how the decisions are made. This paper provides a survey of the most recent XAI techniques used in healthcare and related medical imaging applications. We summarize and categorize the XAI types, and highlight the algorithms used to increase interpretability in medical imaging topics. In addition, we focus on the challenging XAI problems in medical applications and provide guidelines to develop better interpretations of deep learning models using XAI concepts in medical image and text analysis. Furthermore, this survey provides future directions to guide developers and researchers for future prospective investigations on clinical topics, particularly on applications with medical imaging.
登录
查看更多内容
影响因子：
4.6
作者：
Alsinglawi B;Alshari O;Alorjani M;Mubin O;Alnajjar F;Novoa M;Darwish O
通讯作者：
Darwish O
影响因子：
3.9
作者：
Chaddad, Ahmad;Toews, Matthew;Niazi, Tamim
通讯作者：
Niazi, Tamim
影响因子：
5.8
作者：
Akula AR;Wang K;Liu C;Saba-Sadiya S;Lu H;Todorovic S;Chai J;Zhu SC
通讯作者：
Zhu SC
影响因子：
1.3
作者：
Arnold, M.;Bellamy, R. K. E.;Varshney, K. R.
通讯作者：
Varshney, K. R.
影响因子：
3.9
作者：
Adadi, Amina;Berrada, Mohammed
通讯作者：
Berrada, Mohammed