Entschlüsselung der Entscheidungsgrundlagen: Ein kontrafaktisch gestütztes Modell zur Wissensentdeckung

In der medizinischen Bildgebung, insbesondere bei der frühen Erkennung von Krankheiten und Prognoseaufgaben, ist es entscheidend, die Gründe hinter den Vorhersagen eines KI-Modells zu erkennen, um die Zuverlässigkeit seiner Entscheidungen zu bewerten. Konventionelle Erklärungsmethoden stehen vor Herausforderungen bei der Identifizierung erkennbare entscheidende Merkmale in medizinischen Bildklassifikationen, wo diskriminierende Merkmale subtil oder nicht sofort erkennbar sind. Um diese Lücke zu schließen, schlagen wir ein erklärbares Modell vor, das sowohl mit Entscheidungsgrundlagen als auch mit Merkmalsidentifikationsfähigkeiten ausgestattet ist. Unsere Methode erkennt nicht nur einflussreiche Bildmuster, sondern deckt auch die entscheidenden Merkmale auf, die die endgültigen Vorhersagen des Modells antreiben. Durch die Implementierung unserer Methode können wir effizient klassen-spezifische Merkmale identifizieren und visualisieren, die vom datengestützten Modell genutzt werden, und Einblicke in die Entscheidungsprozesse von Deep-Learning-Modellen bieten. Wir haben unser Modell im anspruchsvollen Bereich der medizinischen Prognoseaufgaben validiert und seine Wirksamkeit und sein Potenzial zur Verbesserung der Zuverlässigkeit von KI im Gesundheitswesen sowie zur Entdeckung neuen Wissens in Krankheiten, bei denen das prognostische Verständnis begrenzt ist, gezeigt.