【技术实现步骤摘要】
基于先验知识规则抽取和SHAP的AMD可解释性精准诊断方法
[0001]本专利技术涉及老年性黄斑病变的诊断领域，特别涉及基于先验知识规则抽取和SHAP的AMD可解释性精准诊断方法。
技术介绍
[0002]老年性黄斑变性又称年龄相关性黄斑变性，为黄斑区结构的衰老性改变，主要表现为视网膜色素上皮细胞对视细胞外节盘膜吞噬消化能力下降，结果使未被完全消化的盘膜残余小体潴留于基底部细胞原浆中，并向细胞外排出，沉积于Bruch膜，形成玻璃膜疣，由于黄斑部结构与功能上的特殊性，此种改变更为明显，玻璃膜疣也见于正常视力的老年人，但由此继发的种种病理改变后，则导致黄斑部变性发生，或者引起Bruch膜本断裂，脉络膜毛细血管通过破裂的Bruch膜进入RPE下及视网膜神经上皮下，形成脉络膜新生血管，由于新生血管壁的结构异常，导致血管的渗漏和出血，进而引发一系列的继发性病理改变，老年性黄斑变性大多发生于四十五岁以上，其患病率随年龄增长而增高，是当前老年人致盲的重要疾病。
[0003]因此，提出基于先验知识规则抽取和SHAP的AMD可解释性精准...
【技术保护点】
【技术特征摘要】
1.基于先验知识规则抽取和SHAP的AMD可解释性精准诊断方法，其特征在于：所述包括以下操作步骤：S1：先验知识总结与规则抽取：先验知识整合：将先验医学知识和领域专业知识纳入诊断过程；S2：基于先验知识的XAI算法原型进行模糊标记：基于先验知识的感兴趣区域，在可解释性人工智能中，可以作爲原型标记，标记为prototype，以此用来衡量模型的可解释性水平，其阳性数据的感兴趣屈居即为病竈坐在区域，其中prototype是指用于解释人工智能模型的行为或决策的代表性或示例性实例，XAI中通常使用原型来对复杂机器学习模型的内部工作提供可解释的解释和见解，帮助跨领域用户理解模型预测或分类背后的推理的有形示例，XAI中的原型可以采用不同的形式，这取决于所使用的特定方法或方法，其特定方法包括：A：基于实例的解释：原型可以是数据集中的单个数据实例，这些实例被选择来表示某些特征或决策结果，这些实例通常是根据它们与决策边界的接近程度来选择的，或者是为了突出显示影响模型预测的特定特征；B：基于特征的解释：原型可以通过选择具有不同值或特征组合的实例来创建，这些原型展示了某些特征的变化如何影响模型的预测或决策过程；C：基于规则的解释：原型可以从提取的规则或解释模型行为的逻辑条件中派生出来，这些规则捕获了模型的决策逻辑，并通过展示做出特定预测的条件来提供可解释的解释；D：视觉解释：原型可以是视觉表示或热图，突出显示对模型预测贡献最大的图像区域，这些可视化帮助用户了解模型在做出决策时关注的特征或区域；S3：基于先验知识与prototype的可解释性评价指标设定：对可解释人工智能算法的评估涉及评估模型如何有效地对其决策过程提供可理解的解释，是XAI算法的比较和进步的重要环节，目前有几种针对XAI算法的评估方法，包括使用者研究、性能指标、特定模型的评估方法以及基准和挑战，使用者研究需要向人类专家或终端使用者展示XAI生成的解释，并通过各种形式的调查、访谈或互动任务来衡量他们对模型的理解和信心，除了准确性之外，XAI算法的质量还可以根据量化其解释质量的性能指标进行评估，如覆盖率、一致性和相关性，这些指标评估模型的解释与人类理解和领域知识的匹配程度，交叉
‑
联合得分和一致性得分是用来评估基于类启动图的解释质量的指标，它们分别测量预测热图和地面真实分割屏蔽之间的重叠以及热图反映物体显著性的程度，是XAI算法的常用评估方法，其中XAI为对可解释人工智能，交叉
‑
联合标为IntersectionoverUnion，记为IOU，类启动图表为CAM；S4：基于XAI构件建立像素分类模型：其中包括：基于DeepLabV3建立底层像素分类模型和基于SHAP可解释性机制优化像素分类模型；其中基于DeepLabV3建立底层像素分类模型：其中DeepLabV3基于ASPP，基于空洞卷积原理，实现特征批次处理下采样，此外，全域平均池被应用于最后的特征提取，得到的图像层级特征最终传输到具有256个过滤器的1
×
1卷积中，然后乘以所需的空间维度，DeepLabV3放弃DeepLab中原本的有条件随机选取区域，取而代之的是串联和聚合得到的特征，并在计算最终逻辑之前通过另一个带有256个过滤器的1
×...
【专利技术属性】
技术研发人员：王涵，潘毅，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。