Learning Group-Disentangled Representation for Interpretable Thoracic Pathologic Prediction

论文下载地址：

2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), CCF-B（录用率20%）

深度学习方法在医学图像分析任务中表现出了显著的性能。然而，该类方法通常在特征提取和决策过程中表现得像没有解释的“黑匣子”，导致缺乏临床洞察力和高风险评估。为了帮助深度学习用视觉线索判断疾病，我们提出了表示组解耦网络（RGD-Net），它可以将输入X射线图像的特征空间完全分解为几个独立的特征组，每个特征组对应于特定的疾病。通过完全解耦，RGD网络提高了医学图像分析中特征提取和决策的可解释性和准确性。RGD-Net以多幅语义相关和标记的X射线图像为输入，首先通过组解耦模块提取疾病的完全组解耦表示，该模块应用组交换和链接操作，通过增强属性的语义一致性来构建潜在空间。为了防止学习被定义为捷径问题的退化表示，我们进一步在从特征到疾病的映射上引入了对抗性约束，从而避免了模型因自由形式组解耦而崩溃。在chestxray-14和ChestXpert数据集上的实验表明，RGD网络在预测疾病方面具有显著优势，它利用了导致不同疾病的潜在因素，从而增强了深度学习方法工作的可解释性。