面向肾结石类型识别的原型部件抽象化改进——面向肾盂镜下的案例推理解释

体内识别肾结石类型在经腔镜下将是泌尿学的重大医学进步，因为它可以缩短繁琐的肾结石抽取过程，同时降低感染风险。此外，这种自动化程序可以立即 prescribe 抗复发治疗。如今，只有少数经验丰富的泌尿科医生能够识别在腹部镜显示屏幕上显示的肾结石类型的图像。因此，最近提出了若干深度学习（DL）模型来自动识别经腹部镜图像中的肾结石类型。然而，这些DL模型是黑箱本质，限制了其在临床应用中的可行性。本文提出一种基于案例推理的DL模型，该模型使用原型部件（PPs）并生成局部和全局描述符。PPs 对每一类（即肾结石类型）的视觉特征信息（色调、饱和度、强度和纹理）进行编码，类似于生物学家所使用的编码方式。由于使用新的损失函数进行模型训练，PPs 经过优化生成。此外，PPs 的局部和全局描述符允许以易于生物学家和泌尿科医生理解的方式解释决策（即“什么”信息、“在图像中的何处”）。该提出的DL模型在包括六种最常见肾结石类型的图像的数据库上进行了测试。整体平均分类准确率为90.37%。将这些结果与肾结石领域八个其他DL模型的结果进行比较后可以看出，虽然没有以牺牲准确率为代价来实现解释性提升，但准确率甚至略微提高了相对于文献中最佳方法（88.2）的结果。这些充满希望且具有可解释性的结果也鼓励泌尿科医生信任基于AI的解决方案。