基于对比性集成梯度的全切片图像分类解释方法
计算机视觉与模式识别
2025-11-17 v2 人工智能
摘要
在计算病理学的全切片图像（WSI）分析中，解释性至关重要，因为了解模型预测有助于建立对AI辅助诊断的信任。虽然集成梯度（IG）及相关解释方法显示出前景，但直接应用于WSI会引入高分辨率性的挑战。这些方法捕获模型决策模式，但可能忽略对于区分肿瘤亚型至关重要的判别性信号。在本工作中，我们引入对比性集成梯度（CIG），一种通过计算logit空间中的对比梯度来增强解释性的新方法。首先，CIG通过比较相对于参考类的特征重要性来突出判别性区域，提供对肿瘤与非肿瘤区域的更锐利区分。其次，CIG满足集成属性的公理，确保一致性和理论严谨性。第三，我们提出两种属性质量指标，MIL-AIC和MIL-SIC，衡量显著区域获取后预测信息和模型置信度的演变，特别是在弱监督情境下。我们在三个数据集上验证CIG，涵盖不同癌种：CAMELYON16（淋巴结转移的乳腺癌）、TCGA-RCC（肾细胞癌）和TCGA-Lung（肺癌）。实验结果表明，CIG在MIL-AIC和MIL-SIC等定量指标上以及与真实肿瘤区域高度吻合的定性可视化方面，均提供更具信息性的属性，凸显其在可解释且可信的WSI基于诊断方面的潜力。
引用
@article{arxiv.2511.08464,
title = {Contrastive Integrated Gradients: A Feature Attribution-Based Method for Explaining Whole Slide Image Classification},
author = {Anh Mai Vu and Tuan L. Vo and Ngoc Lam Quang Bui and Nam Nguyen Le Binh and Akash Awasthi and Huy Quoc Vo and Thanh-Huy Nguyen and Zhu Han and Chandra Mohan and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2511.08464},
year = {2025}
}
备注
Accepted to WACV 2026