Primerjava razlag napovedi nevronskih mrež na mamografskih slikahKoren, Aljoša (Avtor) Sadikov, Aleksander (Mentor) Globoko učenjerazložljiva umetna inteligencaanaliza medicinskih slikZ vse večjim napredkom na področju umetne inteligence in naraščajočimi zbirkami medicinskih podatkov se odpirajo vrata novim metodam, ki bi lahko zdravnikom pomagale pri diagnosticiranju in s tem povečale odkrivanje bolezenskih stanj ter hkrati razbremenile zdravstvene delavce. Kljub uspešnim modelom za klasifikacijo medicinskih podatkov ostaja težava transparentnost teh modelov. Modeli globokih nevronskih mrež vsebujejo veliko število parametrov in so težko razložljivi. Na področju medicine ima lahko napačna odločitev dolgotrajne in resne posledice, zato je zaupanje v napoved modelov še pomembnejša. Čeprav nekateri modeli dosegajo odlične rezultate, vanje ne moremo slepo zaupati, ne da bi prej razumeli, zakaj se je model odločil za podano diagnozo. V magistrskem delu smo se osredotočili na področje mamografskih slik in naučili modele, ki so slike diagnosticirali kot zdrave ali rakave. Modeli so dosegli vrednosti površine pod krivuljo ROC nad 0,90. Nato smo preučili napovedi in razlage različnih modelov na nekaj testnih mamografskih slikah. Pri pregledovanju rezultatov smo opazili razlike v razlagah med različnimi metodami razlage za iste modele ter tudi med različnimi arhitekturami, kljub isti diagnozi. Metode, ki smo jih uporabili za razlage, smo ocenili kot neuporabne na področju mamografije.20242024-11-18 14:50:02Magistrsko delo/naloga164946sl