Résumé IA · arXiv: 2611.05011v1 · cs.CV

Can saliency maps flag chest radiograph classifier errors at a new hospital? An external validation study

Aashish Chapagai, Angad Singh Gurtatta, Erik Cambria
Article original Soumis à arXiv le 03 Nov. 2026 21 pages, 5 figures, 1 table, 6 Extended Data figures and 4 Extended Data tables. Code: https://github.com/aashish-chapagai/CXR-Saliency-External-Validation Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Sur trois sites hospitaliers, les cartes de saillance localisent moins bien que les radiologues et n’améliorent généralement pas la détection des erreurs au-delà de la confiance du modèle.

Question

Les explications visuelles peuvent-elles signaler les erreurs individuelles de classificateurs de radiographies thoraciques lorsqu’ils sont déployés dans un nouvel hôpital ? Apportent-elles une information utile au-delà de la confiance du modèle ?

Méthode

Les auteurs ont entraîné DenseNet-121 et ViT-B/16 sur NIH ChestX-ray14, puis évalué 303 768 décisions par modèle sur 25 554 radiographies provenant de NIH, de Stanford et de deux hôpitaux de Hanoï, avec des étiquettes harmonisées pour 12 signes. Ils ont mesuré l’enrichissement anatomique de Grad-CAM, LIME et SHAP, comparé les explications aux annotations de radiologues et testé leur apport à la détection d’erreurs par rapport à la marge de décision et à l’accord entre prédictions avec augmentation à l’inférence.

Résultats

  • Résultat Sur le jeu de référence de CheXpert, le maximum de Grad-CAM se trouvait dans la segmentation de référence moins souvent que le point indiqué par les radiologues.
  • Résultat L’enrichissement des explications ne séparait généralement pas les prédictions positives correctes des fausses positives, contrairement à la marge de décision qui était le meilleur score seul dans cinq des six combinaisons modèle-site.
    Voir le passage dans l’article
    The margin was the best single score in five of the six model–site combinations (AUROCf 0.646–0.685 for flags)
  • Résultat Ajouter l’enrichissement au détecteur combinant marge et accord entre prédictions n’a jamais procuré un gain d’AUROC supérieur à 0,011 et a dégradé le résultat de DenseNet-121 à VinDr-CXR.
    Voir le passage dans l’article
    The largest upper confidence bound was 0.0104, so a gain above 0.011 is excluded for both models at every site, and the same holds for unflagged findings.
  • Interprétation des auteurs À VinDr-CXR, la relation entre concentration de l’explication et exactitude de DenseNet-121 s’inversait par rapport à NIH, ce qui rendait défavorable le transfert du détecteur calibré à NIH.
    Voir le passage dans l’article
    At NIH, conditional on the margin and test-time augmentation agreement, more concentrated maps were slightly more often wrong, so the combination fitted there gave enrichment a negative standardized weight (−0.071; Fig. 5d). At VinDr-CXR the relation ran the other way, with enrichment alone informative in the positive direction, so the transferred weight pointed the wrong way.

Limites

  • Les étiquettes NIH, extraites automatiquement des comptes rendus, sont bruitées et peuvent fausser les estimations internes des erreurs.
    Voir le passage dans l’article
    NIH labels are report-mined and noisy31, which affects internal failure counts, although both external sites used radiologist-consensus labels.
  • L’étude ne couvre qu’un résumé de l’explication, l’enrichissement spatial, et n’évalue pas les méthodes d’attribution spécifiques aux transformeurs.
  • L’absence d’étude auprès de lecteurs empêche de conclure sur l’usage réel des cartes par les radiologues dans un nouvel hôpital.
    Voir le passage dans l’article
    Finally, we did not run a reader study, so we cannot say how radiologists would use heatmaps at a new hospital.

Portée

Les auteurs concluent que les cartes de saillance ne constituent pas une garantie fiable de l’exactitude d’une prédiction individuelle après transfert hospitalier, même lorsqu’elles paraissent anatomiquement plausibles. Pour surveiller les déploiements, ils préconisent de s’appuyer d’abord sur la confiance du modèle et de réajuster localement les seuils.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : radiographie thoracique ; cartes de saillance ; détection d’erreurs ; généralisation externe ; confiance du modèle

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
L’étude évalue si les cartes de saillance peuvent aider à détecter les erreurs individuelles d’un classificateur de radiographies thoraciques déployé dans un nouvel hôpital, et si elles apportent une information utile au-delà de la confiance du modèle. Les auteurs ont entraîné DenseNet-121 et ViT-B/16 sur la base NIH ChestX-ray14. Ils ont ensuite évalué les modèles sur un jeu de test interne du NIH et sur deux cohortes externes : CheXpert, issue du Stanford Hospital aux États-Unis, et VinDr-CXR, provenant de deux hôpitaux vietnamiens. Au total, l’évaluation porte sur 303 768 décisions par modèle, couvrant jusqu’à 12 signes harmonisés et comparées à des étiquettes de référence, notamment à des consensus de radiologues pour les sites externes. Pour chaque décision, les chercheurs ont calculé des explications Grad-CAM et, sur des sous-échantillons, des explications LIME et SHAP. Ils ont résumé la concentration anatomique des attributions à l’aide d’un score d’enrichissement. Ce score compare la proportion de l’explication située dans une région thoracique segmentée à la proportion de l’image occupée par cette région ; une valeur de 1 correspond à une attribution uniforme. Les chercheurs ont ensuite évalué la capacité de ce score à repérer les prédictions incorrectes et à améliorer un détecteur fondé sur la marge de décision et l’accord entre les prédictions obtenues avec différentes augmentations de test. Le détecteur combiné a été calibré sur une moitié du jeu de test NIH, puis évalué sur l’autre moitié ainsi que dans les deux cohortes externes. Les modèles conservaient une capacité raisonnable à classer les cas dans les sites externes. Pour les signes communs aux comparaisons, l’AUROC macro de DenseNet-121 passait de 0,857 sur le NIH à 0,824 sur CheXpert, et atteignait 0,893 sur VinDr-CXR. En revanche, les seuils de décision établis sur le NIH se transféraient mal. Par exemple, pour l’œdème à CheXpert, la sensibilité de DenseNet-121 chutait de 0,424 à 0,008. La localisation des anomalies par Grad-CAM était également moins performante que celle des radiologues. Sur le benchmark CheXpert, le taux de réussite atteignait 0,575 pour DenseNet-121 et 0,381 pour ViT-B/16, contre 0,888 pour les radiologues. Surtout, une explication anatomiquement plausible ne signalait généralement pas une prédiction correcte. Pour les prédictions positives sur le NIH, le score d’enrichissement utilisé seul obtenait une AUROC de détection des erreurs de 0,484 pour DenseNet-121 et de 0,524 pour ViT-B/16, contre 0,646 et 0,660, respectivement, pour la marge de décision. L’ajout du score d’enrichissement au détecteur combinant la marge de décision et l’accord entre augmentations n’a jamais amélioré l’AUROC de plus de 0,011, soit la limite supérieure compatible avec les intervalles de confiance rapportés. Pour DenseNet-121 sur VinDr-CXR, cet ajout a même réduit l’AUROC de détection de 0,023.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 9 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Très proche Même question Cité par cet article Utilisé en profondeur par cet article
    Benchmarking saliency methods for chest X-ray interpretation
    Adriel Saporta, Xiaotong Gui, Ashwin Agrawal et al. · 2022 · Nature Machine Intelligence · cité 325 fois · Pas encore résumé

    Benchmarking saliency methods compare la localisation des cartes sur radiographies thoraciques à des références humaines, tandis que cet article teste aussi leur détection d’erreurs en nouvel hôpital.

    Résumé scientifique

    Saliency methods, which produce heat maps that highlight the areas of the medical image that influence model prediction, are often presented to clinicians as an aid in diagnostic decision-making. However, rigorous investigation of the accuracy and reliability of these strategies is necessary before they are integrated into the clinical setting. In this work, we quantitatively evaluate seven saliency methods, including Grad-CAM, across multiple neural network architectures using two evaluation metrics. We establish the first human benchmark for chest X-ray segmentation in a multilabel classification set-up, and examine under what clinical conditions saliency maps might be more prone to failur…

  2. Très proche Même question
    Assessing the validity of saliency maps for abnormality localization in medical imaging
    N. Arun, N. Gaw, Praveer Singh et al. · 2020 · arXiv.org · preprint, non relu par les pairs · cité 24 fois · Pas encore résumé

    Assessing the validity mesure si les cartes de saillance localisent les anomalies sur RSNA Pneumonia, comme cet article évalue leur localisation sur des radiographies thoraciques.

    Résumé scientifique

    Saliency maps have become a widely used method to assess which areas of the input image are most pertinent to the prediction of a trained neural network. However, in the context of medical imaging, there is no study to our knowledge that has examined the efficacy of these techniques and quantified them using overlap with ground truth bounding boxes. In this work, we explored the credibility of the various existing saliency map methods on the RSNA Pneumonia dataset. We found that GradCAM was the most sensitive to model parameter and label randomization, and was highly agnostic to model architecture.

  3. Très proche Même question Cité par cet article
    Revisiting the Trustworthiness of Saliency Methods in Radiology AI.
    Jia-Jin Zhang, Hanqing Chao, Giridhar Dasegowda et al. · 2023 · Radiology: Artificial Intelligence · cité 80 fois · Pas encore résumé

    Revisiting the Trustworthiness teste la robustesse des cartes de saillance sur des radiographies thoraciques, tandis que cet article évalue leur localisation et leur utilité pour détecter les erreurs.

    Résumé scientifique

    Purpose To determine whether saliency maps in radiology artificial intelligence (AI) are vulnerable to subtle perturbations of the input, which could lead to misleading interpretations, using prediction-saliency correlation (PSC) for evaluating the sensitivity and robustness of saliency methods. Materials and Methods In this retrospective study, locally trained deep learning models and a research prototype provided by a commercial vendor were systematically evaluated on 191 229 chest radiographs from the CheXpert dataset and 7022 MR images from a human brain tumor classification dataset. Two radiologists performed a reader study on 270 chest radiograph pairs. A model-agnostic approach for co…

  4. Très proche Même question
    Deep learning saliency maps do not accurately highlight diagnostically relevant regions for medical image interpretation
    A. Saporta, X. Gui, A. Agrawal et al. · 2021 · medRxiv · preprint, non relu par les pairs · cité 35 fois · Pas encore résumé

    Deep learning saliency maps évalue la capacité de Grad-CAM à localiser dix pathologies sur des radiographies thoraciques, comme cet article compare ses cartes aux annotations de radiologues.

    Résumé scientifique

    Deep learning has enabled automated medical image interpretation at a level often surpassing that of practicing medical experts. However, many clinical practices have cited a lack of model interpretability as reason to delay the use of "black-box" deep neural networks in clinical workflows. Saliency maps, which "explain" a model's decision by producing heat maps that highlight the areas of the medical image that influence model prediction, are often presented to clinicians as an aid in diagnostic decision-making. In this work, we demonstrate that the most commonly used saliency map generating method, Grad-CAM, results in low performance for 10 pathologies on chest X-rays. We examined under w…

  5. Très proche Même question Cité par cet article
    Assessing the Trustworthiness of Saliency Maps for Localizing Abnormalities in Medical Imaging.
    N. Arun, N. Gaw, Praveer Singh et al. · 2021 · Radiology: Artificial Intelligence · cité 304 fois · Pas encore résumé

    Assessing the Trustworthiness évalue la localisation et la robustesse de huit méthodes de saillance en imagerie médicale, comme cet article examine Grad-CAM, LIME et SHAP.

    Résumé scientifique

    Purpose To evaluate the trustworthiness of saliency maps for abnormality localization in medical imaging. Materials and Methods Using two large publicly available radiology datasets (Society for Imaging Informatics in Medicine-American College of Radiology Pneumothorax Segmentation dataset and Radiological Society of North America Pneumonia Detection Challenge dataset), the performance of eight commonly used saliency map techniques were quantified in regard to (a) localization utility (segmentation and detection), (b) sensitivity to model weight randomization, (c) repeatability, and (d) reproducibility. Their performances versus baseline methods and localization network architectures were co…

  6. Très proche Contexte plus large
    Gradient-Based Saliency Maps Are Not Trustworthy Visual Explanations of Automated AI Musculoskeletal Diagnoses
    Kesavan Venkatesh, Simukayi Mutasa, Fletcher Moore et al. · 2024 · Journal of Imaging Informatics in Medicine · cité 35 fois · Pas encore résumé

    Gradient-Based Saliency Maps étudie la fiabilité des cartes de saillance pour diagnostiquer des radiographies des membres supérieurs, plutôt que des radiographies thoraciques.

    Résumé scientifique

    Saliency maps are popularly used to “explain” decisions made by modern machine learning models, including deep convolutional neural networks (DCNNs). While the resulting heatmaps purportedly indicate important image features, their “trustworthiness,” i.e., utility and robustness, has not been evaluated for musculoskeletal imaging. The purpose of this study was to systematically evaluate the trustworthiness of saliency maps used in disease diagnosis on upper extremity X-ray images. The underlying DCNNs were trained using the Stanford MURA dataset. We studied four trustworthiness criteria—(1) localization accuracy of abnormalities, (2) repeatability, (3) reproducibility, and (4) sensitivity to…

  7. Très proche Même question
    Assessing the (Un)Trustworthiness of Saliency Maps for Localizing Abnormalities in Medical Imaging
    N. Arun, N. Gaw, P. Singh et al. · 2020 · medRxiv · preprint, non relu par les pairs · cité 116 fois · Pas encore résumé

    Assessing the (Un)Trustworthiness évalue l’utilité de localisation et la robustesse des cartes de saillance en imagerie médicale, comme cet article étudie leur fiabilité.

    Résumé scientifique

    Saliency maps have become a widely used method to make deep learning models more interpretable by providing post-hoc explanations of classifiers through identification of the most pertinent areas of the input medical image. They are increasingly being used in medical imaging to provide clinically plausible explanations for the decisions the neural network makes. However, the utility and robustness of these visualization maps has not yet been rigorously examined in the context of medical imaging. We posit that trustworthiness in this context requires 1) localization utility, 2) sensitivity to model weight randomization, 3) repeatability, and 4) reproducibility. Using the localization informat…

  8. Très proche Contexte plus large
    Mask of Truth: Model Sensitivity to Unexpected Regions of Medical Images
    Théo Sourget, Michelle Hestbek-Moller, Amelia Jiménez-Sánchez et al. · 2024 · Journal of Imaging Informatics in Medicine · cité 9 fois · Pas encore résumé

    Mask of Truth masque des régions pertinentes de radiographies thoraciques et d’images du fond d’œil pour révéler des raccourcis, plutôt que d’évaluer les cartes de saillance.

    Résumé scientifique

    The development of larger models for medical image analysis has led to increased performance. However, it also affected our ability to explain and validate model decisions. Models can use non-relevant parts of images, also called spurious correlations or shortcuts, to obtain high performance on benchmark datasets but fail in real-world scenarios. In this work, we challenge the capacity of convolutional neural networks (CNN) to classify chest X-rays and eye fundus images while masking out clinically relevant parts of the image. We show that all models trained on the PadChest dataset, irrespective of the masking strategy, are able to obtain an area under the curve (AUC) above random. Moreover,…

Les travaux antérieurs sur lesquels il s’appuie

  1. Proche Base de cet article Utilisé en profondeur par cet article
    Sanity Checks for Saliency Maps
    Julius Adebayo, J. Gilmer, M. Muelly et al. · 2018 · Neural Information Processing Systems · cité 3 032 fois · Pas encore résumé

    Sanity Checks propose des tests de dépendance des cartes au modèle et aux données, un fondement pour évaluer la fiabilité des explications visuelles.

    Résumé scientifique

    Saliency methods have emerged as a popular tool to highlight features in an input deemed relevant for the prediction of a learned model. Several saliency methods have been proposed, often guided by visual appeal on image data. In this work, we propose an actionable methodology to evaluate what kinds of explanations a given method can and cannot provide. We find that reliance, solely, on visual assessment can be misleading. Through extensive experiments we show that some existing saliency methods are independent both of the model and of the data generating process. Consequently, methods that fail the proposed tests are inadequate for tasks that are sensitive to either data or model, such as, …

  2. Proche Autre approche du problème Utilisé en profondeur par cet article
    Failure Detection in Medical Image Classification: A Reality Check and Benchmarking Testbed
    Mélanie Bernhardt, Fabio De Sousa Ribeiro, Ben Glocker · 2022 · Trans. Mach. Learn. Res. · cité 18 fois · Pas encore résumé

    Failure Detection benchmarke des scores de confiance pour repérer les erreurs de classification médicale, tandis que cet article teste si la saillance ajoute une information utile.

    Résumé scientifique

    Failure detection in automated image classification is a critical safeguard for clinical deployment. Detected failure cases can be referred to human assessment, ensuring patient safety in computer-aided clinical decision making. Despite its paramount importance, there is insufficient evidence about the ability of state-of-the-art confidence scoring methods to detect test-time failures of classification models in the context of medical imaging. This paper provides a reality check, establishing the performance of in-domain misclassification detection methods, benchmarking 9 widely used confidence scores on 6 medical imaging datasets with different imaging modalities, in multiclass and binary c…

  3. Proche Même question
    Seeing Isn't Always Believing: Analysis of Grad-CAM Faithfulness and Localization Reliability in Lung Cancer CT Classification
    Teerapong Panboonyuen · 2026 · International Conference on Knowledge and Smart Technology · cité 9 fois · Pas encore résumé

    Seeing Isn't Always Believing examine la fidélité et la fiabilité de localisation de Grad-CAM pour classer des CT du cancer pulmonaire, comme cet article pour les radiographies.

    Résumé scientifique

    Explainable Artificial Intelligence (XAI) techniques, such as Gradient-weighted Class Activation Mapping (GradCAM), have become indispensable for visualizing the reasoning process of deep neural networks in medical image analysis. Despite their popularity, the faithfulness and reliability of these heatmap-based explanations remain under scrutiny. This study critically investigates whether Grad-CAM truly represents the internal decision-making of deep models trained for lung cancer image classification. Using the publicly available IQ-OTH/NCCD dataset, we evaluate five representative architectures - ResNet50, ResNet-101, DenseNet-161, EfficientNet-B0, and ViT-Base-Patch16-224 - to explore mod…

  4. Proche Contexte plus large
    Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study
    J. Zech, Marcus A. Badgeley, Man-Way Liu et al. · 2018 · PLoS Medicine · cité 1 890 fois · Pas encore résumé

    Variable generalization mesure la généralisation interhospitalière de classificateurs de pneumonie sur radiographies, tandis que cet article étudie le transfert de détecteurs d’erreurs fondés sur la saillance.

    Résumé scientifique

    Background There is interest in using convolutional neural networks (CNNs) to analyze medical imaging to provide computer-aided diagnosis (CAD). Recent work has suggested that image classification CNNs may not generalize to new data as well as previously believed. We assessed how well CNNs generalized across three hospital systems for a simulated pneumonia screening task. Methods and findings A cross-sectional design with multiple model training cohorts was used to evaluate model generalizability to external sites using split-sample validation. A total of 158,323 chest radiographs were drawn from three institutions: National Institutes of Health Clinical Center (NIH; 112,120 from 30,805 pati…

  5. Proche Même méthode, autre problème
    Beyond Accuracy: Quantifying Pulmonary Attribution in Anatomy-Guided Chest X-Ray Classification Under Domain Shift
    A. al Mamun, Md. Nasif Khansur, Md. Ashraful Hossen Akash et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 1 fois · Pas encore résumé

    Beyond Accuracy mesure la concentration anatomique des attributions pulmonaires et l’intègre au modèle, tandis que cet article quantifie l’enrichissement anatomique des cartes de saillance.

    Résumé scientifique

    Deep-learning models can achieve strong chest X-ray (CXR) classification performance without establishing whether their predictions predominantly rely on pulmonary image content. This study evaluates pulmonary attribution containment as an anatomy-related reliability property distinct from diagnostic performance. We propose DBCA-SegNet-MGAP, a multi-task anatomy-guided CNN-Transformer framework that combines complementary feature representations through bidirectional cross-backbone attention, predicts a soft lung mask, and incorporates this anatomical prior directly into classification through Mask-Guided Adaptive Global Average Pooling (MGAP). Pulmonary attribution containment is quantified…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 9 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.