ترجمه فارسی مقاله توضیحات خلاف واقع برای طبقه‌بندی و رگرسیون تصاویر پزشکی با استفاده از خودرمزگذار انتشار

چکیده

Counterfactual explanations (CEs) aim to enhance the interpretability of machine learning models by illustrating how alterations in input features would affect the resulting predictions. Common CE approaches require an additional model and are typically constrained to binary counterfactuals. In contrast, we propose a novel method that operates directly on the latent space of a generative model, specifically a Diffusion Autoencoder (DAE). This approach offers inherent interpretability by enabling the generation of CEs and the continuous visualization of the model’s internal representation across decision boundaries. Our method leverages the DAE’s ability to encode images into a semantically rich latent space in an unsupervised manner, eliminating the need for labeled data or separate feature extraction models. We show that these latent representations are helpful for medical condition classification and the ordinal regression of severity pathologies, such as vertebral compression fractures (VCF) and diabetic retinopathy (DR). Beyond binary CEs, our method supports the visualization of ordinal CEs using a linear model, providing deeper insights into the model’s decision-making process and enhancing interpretability. Experiments across various medical imaging datasets demonstrate the method’s advantages in interpretability and versatility. The linear manifold of the DAE’s latent space allows for meaningful interpolation and manipulation, making it a powerful tool for exploring medical image properties. Our code is available at https://github.com/matanat/dae_counterfactual.

چکیده به فارسی (ترجمه ماشینی)

توضیحات ضد خلاف (CES) با هدف تقویت تفسیر مدل های یادگیری ماشین با نشان دادن چگونگی تغییرات در ویژگی های ورودی بر پیش بینی های حاصل می تواند تأثیر بگذارد.رویکردهای متداول CE به یک مدل اضافی نیاز دارند و به طور معمول در برابر ضد باینری محدود می شوند.در مقابل ، ما یک روش جدید را پیشنهاد می کنیم که مستقیماً در فضای نهفته یک مدل تولیدی ، به ویژه یک Autoencoder انتشار (DAE) عمل می کند.این رویکرد با فعال کردن تولید CES و تجسم مداوم بازنمایی داخلی مدل در مرزهای تصمیم گیری ، تفسیر ذاتی را ارائه می دهد.روش ما توانایی DAE را برای رمزگذاری تصاویر در یک فضای نهفته معنایی غنی به روشی بدون نظارت ، از بین می برد و نیاز به داده های برچسب زده شده یا مدل های استخراج ویژگی جداگانه را از بین می برد.ما نشان می دهیم که این بازنمایی های نهفته برای طبقه بندی وضعیت پزشکی و رگرسیون منظم آسیب شناسی های شدت ، مانند شکستگی فشرده سازی مهره (VCF) و رتینوپاتی دیابتی (DR) مفید است.فراتر از CES باینری ، روش ما از تجسم CE های معمولی با استفاده از یک مدل خطی پشتیبانی می کند ، و بینش های عمیق تری در مورد روند تصمیم گیری مدل و تقویت تفسیر فراهم می کند.آزمایشات در مجموعه داده های مختلف تصویربرداری پزشکی ، مزایای روش در تفسیر و تطبیق پذیری را نشان می دهد.منیفولد خطی از فضای نهفته DAE امکان درون یابی و دستکاری معنی دار را فراهم می کند ، و آن را به ابزاری قدرتمند برای کاوش در مورد خواص تصویر پزشکی تبدیل می کند.کد ما در https://github.com/matanat/dae_counterfactual در دسترس است.