深度学习生成合成癌症组织学图像用于可解释性与教育
图像与视频处理
2022-12-13 v2 计算机视觉与模式识别
定量方法
摘要
包括深度神经网络（DNN）在内的人工智能方法，可从常规组织学中快速进行肿瘤分子分类，其准确度匹配或超过人类病理学家。厘清神经网络如何做出预测仍是一项重大挑战，但当相应组织学特征定义不清时，可解释性工具有助于洞察模型所学内容。在此，我们提出一种利用条件生成对抗网络（cGAN）生成的合成组织学来改善 DNN 模型可解释性的方法。我们展示 cGAN 生成的高质量合成组织学图像可用于解释训练用于分类分子亚型肿瘤的 DNN 模型，揭示与分子状态相关的组织学特征。通过类别与层混合对合成组织学进行微调，阐释了肿瘤亚型间细微的形态差异。最后，我们展示了合成组织学在增强病理学家培训教育中的用途，表明这些直观可视化可巩固并提升对肿瘤生物学组织学表现的理解。
引用
@article{arxiv.2211.06522,
title = {Deep Learning Generates Synthetic Cancer Histology for Explainability and Education},
author = {James M. Dolezal and Rachelle Wolk and Hanna M. Hieromnimon and Frederick M. Howard and Andrew Srisuwananukorn and Dmitry Karpeyev and Siddhi Ramesh and Sara Kochanny and Jung Woo Kwon and Meghana Agni and Richard C. Simon and Chandni Desai and Raghad Kherallah and Tung D. Nguyen and Jefree J. Schulte and Kimberly Cole and Galina Khramtsova and Marina Chiara Garassino and Aliya N. Husain and Huihua Li and Robert Grossman and Nicole A. Cipriani and Alexander T. Pearson},
journal= {arXiv preprint arXiv:2211.06522},
year = {2022}
}