摘要

本文介绍了一种名为PrognosisEx的新型可解释预测模型，该模型结合了决策推理和特征识别能力，特别适用于医疗影像中的早期疾病检测和预后任务。PrognosisEx通过解码模型的决策过程，识别并可视化影响模型最终预测的关键特征，从而提高AI在医疗健康领域的可靠性，并有助于在预后理解有限的疾病中发现新知识。

原理

PrognosisEx的核心在于其扩散基自动编码器和两层预测模型的结合。自动编码器用于生成语义上有意义的表示，并重建原始CT切片，而两层预测模型则从这些表示中提取特征，用于最终的预测。通过操纵这些关键特征并生成“反事实示例”，模型能够揭示识别特征的语义意义，从而增强模型的解释性。

流程

PrognosisEx的工作流程包括以下步骤：首先，使用预训练的自动编码器的编码器从CT切片中提取表示；然后，通过两层预测模型从这些表示中生成特征；最后，通过操纵这些关键特征并生成反事实示例，对比这些反事实图像与原始切片，以揭示识别特征的语义意义。例如，在COVID-19的预后任务中，模型能够识别并可视化与死亡和生存决策相关的特定特征。

应用

PrognosisEx的应用前景广泛，特别是在医疗健康领域，如疾病预后预测和生物标志物发现。此外，该模型还可用于检测偏差，尤其是在缺乏广泛先验知识的领域。随着进一步的验证和应用，PrognosisEx有望成为一种成本效益高、易于推广的工具，用于增强AI在医疗决策中的透明度和可靠性。