Modelo de Aprendizado Profundo Clínico Interpretable para Diagnóstico de Glaucoma

Apesar do potencial para revolucionar o diagnóstico de doenças através da classificação orientada por dados, a interpretabilidade clínica do ConvNet continua desafiadora. Neste artigo, é proposta uma nova arquitetura de ConvNet interpretable clinicamente, não apenas para um diagnóstico preciso de glaucoma, mas também para uma interpretação mais transparente, destacando as distintas regiões reconhecidas pela rede. Até onde sabemos, este é o primeiro trabalho a fornecer o diagnóstico interpretable de glaucoma com o popular modelo de aprendizado profundo. Propomos um novo esquema para agregar características de diferentes escalas para promover o desempenho do diagnóstico de glaucoma, que chamamos de M-LAP. Além disso, ao modelar a correspondência entre a informação de diagnóstico binário e os pixels espaciais, o esquema proposto gera ativações de glaucoma, que conectam o diagnóstico semântico global à localização precisa. Em contraste com trabalhos anteriores, ele pode descobrir regiões locais distintas em imagens de fundo como evidências para o diagnóstico interpretable clínico de glaucoma. Resultados experimentais, realizados nos desafiadores conjuntos de dados ORIGA, mostram que nosso método de diagnóstico de glaucoma supera métodos de última geração com a maior AUC (0,88). Notavelmente, os resultados extensivos, segmentação do disco óptico (dice de 0,9) e localização do foco da doença local com base no mapa de evidências, demonstram a eficácia de nossos métodos na interpretabilidade clínica.