arXiv · 机器人与计算机视觉· Ahmed Jaheen·· 14 天前AI 评分5
致密乳腺下显著性图公平性审计:Grad-CAM 与集成梯度存在差距
Do Saliency Maps Fail Dense Breasts? A Chance-Normalized, Confounder-Aware Audit of Explanation Fairness in Mammography
AI 导读
针对致密乳腺隐藏癌症问题,研究在 1,345 例恶性 CBIS-DDSM 视图上评估了 Grad-CAM、Integrated Gradients 和遮挡图的解释力。结果显示未调整时 Grad-CAM 峰值命中率在致密乳腺为 44%,非致密乳腺为 58%,主要差距由钙化灶病例组合差异导致,且模型对致密乳腺病灶依赖度较低。作者建议按分类器分别报告密度差距并纳入显著性与病灶依赖控制。
来源:arXiv · 机器人与计算机视觉 · arxiv.org