基于多示例学习与梯度解释提升全切片图像计算机辅助诊断工具的可解释性
计算机视觉与模式识别
2020-09-30 v1 机器学习
摘要
深度学习方法被广泛用于医疗应用以协助医生日常工作。尽管性能已达到专家水平，可解释性（凸显训练模型学到了什么、如何学以及为何做出特定决策）是深度学习方法被完全整合进医疗领域前必须应对的下一个重要挑战。本文中，我们在全切片图像（WSI）分类背景下探讨可解释性问题。我们形式化了 WSI 分类架构的设计，并提出了一种分段式可解释性方法，依赖于基于梯度的方法、特征可视化以及多示例学习语境。我们旨在解释决策如何基于图块级评分做出、这些图块评分如何确定，以及哪些特征被使用且与任务相关。在 Camelyon-16 WSI 数据集上训练两种 WSI 分类架构、凸显所学判别性特征，并与病理医生验证我们的方法后，我们提出了一种基于提取特征计算可解释性切片级热图的新方式，将图块级分类的 AUC 性能提升了逾 29%。
引用
@article{arxiv.2009.14001,
title = {Improving Interpretability for Computer-aided Diagnosis tools on Whole Slide Imaging with Multiple Instance Learning and Gradient-based Explanations},
author = {Antoine Pirovano and Hippolyte Heuberger and Sylvain Berlemont and Saïd Ladjal and Isabelle Bloch},
journal= {arXiv preprint arXiv:2009.14001},
year = {2020}
}
备注
8 pages (references excluded), 3 figures, presented in iMIMIC Workshop at MICCAI 2020