CytoSAE：面向血液学的可解释细胞嵌入
计算机视觉与模式识别
2025-07-17 v1 机器学习
定量方法
摘要
稀疏自动编码器 (SAEs) 作为一种解释 transformer-based foundation models 的机制性解释工具而涌现。最近，SAEs 也被用于视觉领域，使能够发现视觉概念并将其 patch-wise attribution 到 transformer model 中的 token。尽管越来越多的 foundation models 用于医学成像，但用于解释其推断的工具仍不足。本文我们展示了 SAEs 在血液学中的适用性。我们提出 CytoSAE，一个在超过 40,000 份 peripheral blood single-cell images 上进行训练的稀疏自动编码器。CytoSAE 能推广到多样且 out-of-domain 数据集，包括骨髓细胞学，其中它识别出形态学相关的概念，我们用医学专家进行了验证。此外，我们展示了 CytoSAE 在哪些情况下可以生成患者特异性和疾病特异性的概念，从而 enable 检测 pathognomonic cells 和在 patch 级别上检测局部细胞异常。我们量化了概念对患者水平 AML 亚型分类任务的影响，表明 CytoSAE concepts 的性能与 state-of-the-art 相当，同时在亚细胞水平上提供了可解释性。源代码和模型权重可在 https://github.com/dynamical-inference/cytosae 获取。
引用
@article{arxiv.2507.12464,
title = {CytoSAE: Interpretable Cell Embeddings for Hematology},
author = {Muhammed Furkan Dasdelen and Hyesu Lim and Michele Buck and Katharina S. Götze and Carsten Marr and Steffen Schneider},
journal= {arXiv preprint arXiv:2507.12464},
year = {2025}
}
备注
11 pages, 5 figures