Umfrage zu erklärbaren Techniken der künstlichen Intelligenz für biomedizinische Bildgebung mit tiefen neuronalen Netzwerken

Techniken der künstlichen Intelligenz (KI) des tiefen Lernens haben die Krankheitsdiagnose mit ihrer herausragenden Bildklassifikationsleistung revolutioniert. Trotz der hervorragenden Ergebnisse erfolgt die weitverbreitete Umsetzung dieser Techniken in der klinischen Praxis weiterhin in moderatem Tempo. Ein großes Hindernis ist, dass ein trainiertes Modell eines tiefen neuronalen Netzwerks (DNN) eine Vorhersage liefert, aber die Fragen, warum und wie diese Vorhersage getroffen wurde, unbeantwortet bleiben. Diese Verbindung ist von größter Bedeutung für den regulierten Gesundheitsbereich, um das Vertrauen der Praktiker, Patienten und anderer Interessengruppen in das automatisierte Diagnosesystem zu erhöhen. Die Anwendung von tiefem Lernen in der medizinischen Bildgebung muss mit Vorsicht interpretiert werden, aufgrund der Gesundheits- und Sicherheitsbedenken, ähnlich wie bei der Schuldzuweisung im Fall eines Unfalls mit autonomen Fahrzeugen. Die Folgen sowohl eines falsch-positiven als auch eines falsch-negativen Falls sind weitreichend für das Wohl der Patienten und können nicht ignoriert werden. Dies wird durch die Tatsache verschärft, dass die modernsten tiefen Lernalgorithmen aus komplexen, interagierenden Strukturen bestehen, Millionen von Parametern haben und eine 'Black Box'-Natur aufweisen, die wenig Verständnis für ihr Innenleben bietet, im Gegensatz zu traditionellen maschinellen Lernalgorithmen. Erklärbare KI (XAI)-Techniken helfen, Modellvorhersagen zu verstehen, was das Vertrauen in das System fördert, die Krankheitsdiagnose beschleunigt und die Einhaltung regulatorischer Anforderungen gewährleistet. Diese Umfrage bietet einen umfassenden Überblick über das vielversprechende Feld der XAI für biomedizinische Bildgebungsdiagnostik. Außerdem bieten wir eine Kategorisierung der XAI-Techniken, diskutieren die offenen Herausforderungen und geben zukünftige Richtungen für XAI an, die für Clinicians, Regulierungsbehörden und Modellentwickler von Interesse sind.