Los puntos clave no están disponibles para este artículo en este momento.
Una de las principales responsabilidades de los radiólogos es diagnosticar enfermedades pulmonares utilizando imágenes de rayos X de tórax. El radiólogo examina la infección dispersa en la imagen y toma una decisión racional basada en su conocimiento. Las redes neuronales convolucionales funcionan increíblemente bien en la clasificación e identificación de enfermedades a partir de imágenes médicas. A pesar de ser una tecnología de predicción prometedora con una precisión equivalente a la de una persona, los modelos de aprendizaje profundo (DL) generalmente carecen de explicabilidad, un componente crucial para el despliegue clínico de modelos de DL en el sector sanitario altamente regulado. En este artículo, imitamos el proceso de toma de decisiones del radiólogo identificando regiones discriminativas locales de una imagen de rayos X de tórax mediante aprendizaje supervisado semanal y derivando reglas, y explicando por qué el método de DL da esos resultados. Este proceso se lleva a cabo en tres fases. La fase uno consiste en entrenar un modelo en un problema de clasificación para predecir enfermedades pulmonares. La fase dos es identificar regiones críticas y entrenar un modelo en las imágenes identificadas con regiones críticas. La fase tres combina las características locales y globales con el aprendizaje de más patrones para clasificar las enfermedades. Los modelos locales y de fusión han mostrado una mejora notable al obtener un 99.6 por ciento de precisión con menos épocas.
Koyyada et al. (Sat,) estudiaron esta cuestión.