Automatisierte Bildklassifizierungsalgorithmen für Röntgenaufnahmen bieten sehr viele Vorteile. Nicht nur können so Kosten gesenkt werden, es kann auch der Zugang für ärmere Regionen ermöglichen. Denn vielen fehlt es an Fachkräften in diesem Bereich. Moderne AI-Modelle sind in der Lage eine genaue Klassifizierungsgenauigkeit zu erreiche. Diese können sogar besser sein als die eines Arztes. Allerdings Modell eine Blackbox und das Vertrauen zu solchen automatisierten Diagnosen ist sehr gering. Dass von der Seite des Arztes und der Patienten. In dieser Arbeit werden verschiedene Methoden gezeigt, wie leicht eine AI zu täuschen ist. Das geringe Vertrauen ist also sogar berechtigt. Denn es ist nicht möglich das Modell zu fragen, warum es gewisse Entscheidungen trifft. Der Begriff der XAI beschäftigt sich mit dieser Thematik, das Vertrauen in solche Diagnosen zu stärken. In dieser Arbeit werde ich vier verschiedene XIA-Methoden ausprobieren und gegenseitig Vergleichen. Dabei verwende ich ein eigens Entwickeltes AI-Modell, das Röntgenbilder zwischen Kardiomegalie und Pneumothorax Erkrankungen unterscheidet. Es wird untersucht ob die XAI-Methoden in der Lage sind, ein gutes von einem schlechten Modell zu unterscheiden. Zusätzlich werden die Werte einer Bounding Box verwendet. Diese Werte zeigen an, in welchem Bereich des Bildes die Symptome der Krankheit vorkommen und wurden von einer echten Fachperson erfasst. Sieht das AI-Modell die Symptome der Diagnose ähnlich wie die Fachperson? Dieser Frage kann nur beantwortet werden, wenn wir die Blackbox öffnen.
Projektdauer: 1 Semester
Aufwand in Personenstunden: 360h
Teamgrösse: 1 Person
Name, Adresse, Web-Adresse und evt. Logo
I4DS FHNW
Riccard Sievi Nef, riccardnef99@gmail.com
Prof. Dr. Martin Melchior, martin.melchior@fhnw.ch
Dr. Cédric Huwyler, cedric.huwyler@fhnw.ch
