Grad-CAMO：从 3D 细胞染色图像中学习可解释的单细胞形态轮廓
图像与视频处理
2024-03-27 v1 计算机视觉与模式识别
定量方法
摘要
尽管深度学习模型具有黑箱本质，但在基于图像的药物发现中仍被广泛用于从显微镜图像中的单个细胞中提取特征向量。为更好地理解这些网络如何进行表征学习，我们采用可视化可解释性技术（如 Grad-CAM）。我们的分析揭示了监督模型“作弊”的若干机制，即在提取图像中生物学无关像素（如背景噪声）时被利用，从而引发对所学单细胞表征保真性及其在探究下游生物学问题时相关性的质疑。为解决研究人员期望与机器行为之间的错位，我们引入 Grad-CAMO，这是一种用于监督特征提取器的单细胞可解释性评分。Grad-CAMO 测量模型注意力集中在感兴趣细胞上还是背景上的比例。该指标可按单个细胞或在验证集上平均，为审计单个特征向量或指导深度学习架构设计提供工具。重要的是，Grad-CAMO 无缝集成到现有工作流程中，无需修改数据集或模型，兼容 2D 和 3D Cell Painting 数据。更多结果请访问 https://github.com/eigenvivek/Grad-CAMO。
引用
@article{arxiv.2403.17615,
title = {Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images},
author = {Vivek Gopalakrishnan and Jingzhe Ma and Zhiyong Xie},
journal= {arXiv preprint arXiv:2403.17615},
year = {2024}
}