多任务信息瓶颈网络

可解释双输出

一种同时完成乳腺癌分类与分割的可解释多任务网络，通过贡献分数图让医生理解模型决策。

Wang, Junxia · 郑元杰 · Jun, Ma · Xinmeng, Li · Chongjing, Wang · James, Gee · Wang, Haipeng · 黄文慧

Medical Image Analysis 2023

参数信息

数据集数量

3

技术优势

给出决策依据

MIB-Net 生成贡献分数图，医生可以直观看到哪些区域影响了模型的预测，从而信任和使用其输出。

三种模态通用

在三个不同模态的数据集上验证，说明模型可以灵活应用到不同类型的乳腺影像上。

应用场景

• 医学影像智能诊断：辅助医生筛查乳腺影像，减少漏诊并减轻阅片负担。
• 医疗决策支持系统：为临床决策提供可解释的参考，增强医生对模型建议的信任。
• 可解释人工智能：用贡献分数图解释模型注意力，满足医疗AI的透明性需求。
• 多任务学习模型：同时进行肿瘤分类和分割，共享特征提升效率。