Enhancing the stability and quality assessment of visual explanations for thorax disease classification using deep learning
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: SHAKIBA RAHIMIAGHDAM
Danışman: Hande Alemdar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Derin öğrenme modellerinin karmaşık iç işleyişi onları anlaşılmaz hale getirmektedir. Açıklanabilirliklerini artırmaya yönelik çabalardaki önemli zorluklardan biri, görsel açıklamaları değerlendirmek için ölçülebilir ölçümlerin mevcut olmamasıdır. Bu durum, manuel değerlendirmelere veya optimal olmayan ölçümlere güvenilmesine yol açmaktadır. Bu, ölçeklenebilirliği kısıtlar, tekrarlanabilirliği tehlikeye atar ve güvenilirliği zayıflatır. Objektif ölçümlerin gerekliliği, hiperparametrelerin ince ayarı ve çeşitli Açıklanabilir Yapay Zeka (XAI) modellerinin değerlendirilmesi sırasında daha da vurgulanır. Öne çıkan bir diğer engel ise Yerel Yorumlanabilir Model-Agnostik Açıklamalar (LIME) gibi yöntemlerin sergilediği istikrarsızlıktır. LIME yöntemine özgü rastgele karışıklıklar tutarsız açıklamalara yol açarak güvenin aşınmasına ve kritik uygulamalarda kullanılamamasına neden olur. Bu zorlukların üstesinden gelmek için, görsel açıklama algoritmalarının nesnel değerlendirmesi, iyileştirilmesi ve yan yana getirilmesi için metrik yetersizliğine somut bir çözüm sunan sağlam bir yöntem ortaya koyuyoruz. İstikrarsızlığa çözüm bulmak için MindfulLIME yöntemini tanıtıyoruz. Bu yeni yaklaşım, grafik tabanlı budama ve belirsizlik örneklemesinden yararlanarak, stratejik olarak amaca yönelik örnekler oluşturur ve görsel açıklamaların güvenilirliğini ve tutarlılığını artırır. Bu, LIME yöntemine göre gözle görülür bir ilerlemedir. VinDr-CXR veri setindeki görünmeyen rastgele örneklere uygulanan nitel analizimiz, seçtiğimiz metriğin üstünlüğünü kanıtlamaktadır. Toraks hastalıklarının çok etiketli, çok sınıflı teşhisini içeren karşılaştırmalı bir analizde, önerilen hassas ölçüm metriği aracılığıyla değerlendirilen MindfulLIME, optimal stabilite ve artırılmış lokalizasyon doğruluğu ortaya koymaktadır. Bu durum, tıbbi görüntülerle makine öğrenimi uygulamalarında güven oranını artırma kapasitesinin altını çizmektedir.