摘要

本文探讨了在数据稀缺情况下，使用可解释人工智能（XAI）增强方法进行二元分类的问题。在临床实践中，即时超声（POCUS）设备的普及为快速诊断提供了可能，但图像解读需要专业训练，这在紧急情况下可能不可行。因此，开发能够从有限数据中学习的机器学习分类器变得尤为重要。本文提出了一种新的方法，利用Gradient SHAP（一种可解释人工智能技术）来增强分类器的学习能力，从而在数据稀缺的情况下提高分类准确性。研究结果表明，该方法在多个医学数据集上显著减少了过拟合现象，提高了分类性能。

原理

本文提出的XAI-Augmented方法的核心在于利用Gradient SHAP构建可解释的特征属性模型，通过这种模型来增强分类器的泛化能力。Gradient SHAP通过计算每个特征对模型输出的贡献度，生成一个特征属性的加权和，从而为每个输入实例提供一个解释模型。通过这种方式，模型不仅能够学习到数据中的关键特征，还能通过这些特征的解释来调整其决策边界，使其更接近真实数据的分布。此外，该方法通过引入一个交叉熵损失函数，将解释模型的预测与真实标签进行比较，从而在训练过程中提供额外的反馈，进一步优化分类器的性能。

流程

本文的工作流程包括以下几个关键步骤：首先，从训练数据集中随机选择一部分图像作为Gradient SHAP的背景数据。然后，在每个训练迭代中，对输入图像应用Gradient SHAP，计算每个图像的特征属性值。接着，使用二元交叉熵损失函数（BCE）来衡量解释模型预测与实际标签之间的差异。最后，通过反向传播算法更新分类器的权重，结合特征属性损失和分类损失来优化模型。这一流程在多个医学数据集上进行了验证，包括气胸（PTX）、颅内压（ONSD）和COVID-19的诊断。

应用

本文提出的XAI-Augmented方法在医学影像分析领域具有广泛的应用前景。特别是在资源有限或紧急情况下，该方法能够帮助医生快速准确地做出诊断决策。此外，该方法的泛化能力也适用于其他需要从有限数据中学习的场景，如遥感图像分析、工业缺陷检测等。随着技术的进一步发展和优化，预计该方法将在更多领域展现出其价值。