Vysvětlitelnost pro medicínské zobrazovací metody

Abstract

Zvyšující se složitost moderních modelů strojového učení z nich udělala neprůhledné černé skříňky, což komplikuje jejich nasazení v kritických oborech jako například zdravotnictví. Tato práce zkoumá obor vysvětlitelné umělé inteligence z pohledu lékařského snímkování a detailně popisuje několik vhodně zvolených nejmodernějších vysvětlovacích metod. Tyto vysvětlovací metody jsou následně vyhodnoceny na modelech Resnet50 a Vision transformer natrénovaných na úloze detekce onemocnění covid-19 na základě rentgenových snímků hrudníku.

The increasing complexity of the state-of-the-art machine learning models has caused them to become opaque black boxes. This hinders their deployment in critical domains such as healthcare. This thesis studies the field of explainable artifical intelligence in the context of medical imaging. It selects and detailedly describes various state-of-the-art explanation methods. The explanation methods are used to explain and evaluated on ResNet50 and Visiontransformer models trained for the task of covid-19 pneumonia detection from chest X-ray scans.