DiffEx：用于识别微观细胞变异的扩散模型解释器
计算机视觉与模式识别
2025-02-17 v1 人工智能
机器学习
细胞行为
摘要
近年来，深度学习模型广泛应用于生物医学数据的各类模态中。判别式深度学习模型在将图像分类为不同类别（如健康与疾病、处理前后）方面表现卓越。然而，这些模型因其复杂性和缺乏可解释性，常被视为黑箱，限制了其在现实生物学情境中的应用。在生物学研究中，可解释性至关重要：理解分类器的决策并识别不同条件下的细微差异，对于阐明治疗作用、疾病进程及生物学过程具有关键意义。为此，我们提出了 DiffEx 方法，通过扩散模型生成可视化解释属性，以解释分类器并识别不同条件下的微观细胞变异。我们展示了 DiffEx 在解释自然图像和生物学图像上的分类器方面的有效性。此外，我们利用 DiffEx 揭示了显微镜数据集中的表型差异。通过为分类器提供洞见，DiffEx 有望深化对疾病的理解，并通过识别新型生物标志物，辅助药物发现。
引用
@article{arxiv.2502.09663,
title = {DiffEx: Explaining a Classifier with Diffusion Models to Identify Microscopic Cellular Variations},
author = {Anis Bourou and Saranga Kingkor Mahanta and Thomas Boyer and Valérie Mezger and Auguste Genovesio},
journal= {arXiv preprint arXiv:2502.09663},
year = {2025}
}