基于全切片细胞学图像的葡萄膜黑色素瘤分型可解释算法

算法决策支持正迅速成为个性化医疗的支柱，尤其是对于高风险建议——其中某些信息的获取可极大地改变治疗进程，进而改变患者预后；一个突出的例子是用于癌症分型的影像组学。由于此类场景风险高，决策系统不仅应提供建议，还应提供支撑该建议的透明推理。对于基于学习的系统，这可通过推理流程的可解释设计来实现。本文描述了一种自动化但可解释的葡萄膜黑色素瘤分型系统，使用细针穿刺活检的数字细胞学图像。我们的方法将候选细胞学图像中每个自动分割的细胞嵌入由许多代表性切片定义的二维流形中的一个点，从而能够对组织样本的细胞水平组成进行推理，为活检的可解释分型铺平道路。最后，一个基于规则的切片水平分类算法在圆形畸变二维流形的分区上进行训练。该过程产生一组简单的规则，可自动评估但高度透明以供人工验证。在我们包含88名葡萄膜黑色素瘤患者的内部细胞学数据集上，所提方法达到87.5%的准确率，优于所有竞争方法，包括深度“黑箱”模型。该方法配有用户界面以促进与细胞水平内容的交互，可为病理评估提供额外见解。