应对 HER2 乳腺癌组织病理学图像不平衡分类中的不确定性：一种带阈值过滤单实例评估（SIE）的可解释集成方法
计算机视觉与模式识别
2023-10-30 v2
摘要
乳腺癌（BC）是威胁女性最致命的健康问题之一。早期诊断是帮助患者做出有效治疗决策从而降低死亡率的途径。人表皮生长因子受体（HER2）已成为 BC 中最致命的亚型之一。根据美国病理学家协会与美国临床肿瘤学会（CAP/ASCO），HER2 表达严重程度可分为 0 至 3+ 范围。HER2 可有效从免疫组化（IHC）和苏木精-伊红（HE）图像中检测，不同类别如 0、1+、2+ 和 3+。本研究提出一种集成阈值过滤单实例评估（SIE）技术的集成方法，从 HER2 亚型的多类别表达中诊断 BC。最初，DenseNet201 和 Xception 作为特征提取器被集成到单一分类器中，有效结合了全局平均池化、丢弃层、带 swish 激活函数和 l2 正则化器的稠密层、批量归一化等。之后，提取的特征通过单实例评估（SIE）处理，以确定不同置信度并调整不平衡类别间的决策边界。本研究在 BC 免疫组化（BCI）数据集上进行，该数据集由病理学家分为 HER2 BC 的四个阶段。这种被称为 DenseNet201-Xception-SIE、阈值值为 0.7 的所提方法超越了所有其他现有 SOTA 模型，在 H&E 数据上准确率 97.12%、精确率 97.15%、召回率 97.68%，在 IHC 数据上准确率 97.56%、精确率 97.57%、召回率 98.00%，保持了显著提升。最后，本研究采用 Grad-CAM 和 Guided Grad-CAM 来解释基于 TL 的模型如何在组织病理学数据集上工作并从数据做出决策。
引用
@article{arxiv.2308.00806,
title = {Addressing Uncertainty in Imbalanced Histopathology Image Classification of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold Filtered Single Instance Evaluation (SIE)},
author = {Md Sakib Hossain Shovon and M. F. Mridha and Khan Md Hasib and Sultan Alfarhood and Mejdl Safran and Dunren Che},
journal= {arXiv preprint arXiv:2308.00806},
year = {2023}
}