从切片（经图块）到像素：临床前病理学中弱监督模型的可解释性框架
计算机视觉与模式识别
2023-02-06 v1 机器学习
摘要
在临床前病理学中，存在原始数据丰富（来自许多个体动物多个器官的 whole slide image）与病理学家完成的像素级切片标注匮乏之间的矛盾。由于时间限制与监管机构要求，诊断结果仅以切片标签形式存储。弱监督训练旨在利用此类数据，训练后的模型可供病理学家按包含特定关注病变的概率对切片排序。本工作中，我们提出一种新颖的情境化可解释 AI（XAI）框架及其在数字病理学中基于 Whole Slide Images（WSI）训练的深度学习模型上的应用。具体而言，我们将方法应用于一个多示例学习（MIL）模型，该模型仅以切片级标签训练，无需像素级标注。我们通过量化解释热力图与病理学家标注以及基于此类标注训练的分割模型预测之间的一致性来定量验证方法。我们展示了对于输入偏移的解释稳定性，以及相对于模型性能提升的保真度。我们定量评估了可用像素级标注与可解释性热力图间的相关性。我们表明，对整个切片中重要图块的解释与健康区域和病变间的组织变化相关，但并不完全等同于人类标注者的行为。该结果与模型训练策略一致。
引用
@article{arxiv.2302.01653,
title = {From slides (through tiles) to pixels: an explainability framework for weakly supervised models in pre-clinical pathology},
author = {Marco Bertolini and Van-Khoa Le and Jake Pencharz and Andreas Poehlmann and Djork-Arné Clevert and Santiago Villalba and Floriane Montanari},
journal= {arXiv preprint arXiv:2302.01653},
year = {2023}
}
备注
18 pages, 9 figures