用于宫颈癌筛查的可解释巴氏涂片细胞表示

筛查对宫颈癌预防和早期发现至关重要，但耗时费力。监督式深度卷积神经网络已被开发用于自动化巴氏涂片筛查，结果令人鼓舞。然而，由于医疗领域普遍存在的类别不平衡问题和高标注成本，仅使用正常样本训练深度神经网络的兴趣日益增长。在本研究中，我们引入一种基于单类分类并使用变分自编码器来学习巴氏涂片细胞学图像可解释深度宫颈细胞表示的方法。研究结果表明，无需使用异常样本训练模型即可计算细胞异常评分，并通过基于凝聚聚类中交叉熵绝对差异的新指标定位异常以解释结果。区分鳞状细胞癌（SCC）与正常样本的最佳模型给出 0.908 ± 0.003 的受试者工作特征曲线下面积（AUC），区分高级别上皮内病变（HSIL）的模型给出 0.920 ± 0.002 AUC。与其他聚类方法相比，我们的方法提升了 V-measure 并产生更高的同质性分数，能更有效隔离不同异常区域，有助于解释结果。使用内部及额外公开数据集的评估表明，我们的模型无需深度模型额外训练即可区分异常。