解耦细胞图像中的生物噪声并关注可解释性
计算机视觉与模式识别
2020-07-14 v1
摘要
近年来某些药物与医疗治疗的成本上升，许多患者不得不放弃治疗。一个分类项目可使研究人员更高效。成本背后的一个令人惊讶的原因是新药上市耗时之长。尽管技术与科学有所进步，研发仍持续滞后。事实上，发现新疗法平均需 10 年以上并耗资数亿美元。进而，大幅降低治疗成本可确保这些疗法更快到达患者。本工作旨在通过创建细胞图像分类模型来解决该问题的一部分，该模型可破译细胞中（自然或人工发生的）遗传扰动。另一个有趣的问题是何种原因使深度学习模型以特定方式决策，这可进一步有助于揭开某些扰动的作用机制，并为深度学习模型的可解释性铺路。我们展示了 Grad-CAM 可视化的结果，并论证了某些特征相对于其他特征的重要性。进一步我们讨论了这些显著特征如何在对从深度学习模型提取有用诊断信息中至关重要。
引用
@article{arxiv.2007.05743,
title = {Distangling Biological Noise in Cellular Images with a focus on Explainability},
author = {Manik Sharma and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:2007.05743},
year = {2020}
}
备注
13 Pages, 12 figures