基于生物学信息异构图表示的可解释性视网膜疾病预测
计算机视觉与模式识别
2025-11-20 v2 机器学习
摘要
可解释性对于增强机器学习在医学诊断中的信任度至关重要，但大多数最先进的基于神经网络的图像分类器都不可解释。因此，临床医生常常诉诸已知生物标志物进行诊断，尽管基于生物标志物的分类通常不如大型神经网络。本工作提出一种方法，既超越了既定机器学习模型的性能，又提高了视网膜糖尿病发病程度从光学相干断层扫描 (OCTA) 图像的预测可解释性。该方法基于一种新颖的生物学信息异构图表示，模型化视网膜血管段、血管间窝区以及视网膜中心无血管区 (FAZ)。这种图表示以人类可解释的方式呈现，允许我们将视网膜糖尿病分期建模为图层级分类任务。我们使用高效图神经网络求解该任务。我们将方法与众多既定基准进行比较，包括经典生物标志物分类器、卷积神经网络 (CNN) 和视觉转换器。我们的模型在两个数据集上超越所有基准。关键的是，我们利用生物学信息图为预测提供前所未有的细节解释。我们的ethods 在精确定位和识别关键血管或血管间窝区方面超越了现有方法。此外，我们提供了信息丰富且人类可解释的特征归因。我们的工作为眼科临床决策支持工具的开发做出了贡献。
引用
@article{arxiv.2502.16697,
title = {Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations},
author = {Laurin Lux and Alexander H. Berger and Maria Romeo Tricas and Richard Rosen and Alaa E. Fayed and Sobha Sivaprasada and Linus Kreitner and Jonas Weidner and Martin J. Menten and Daniel Rueckert and Johannes C. Paetzold},
journal= {arXiv preprint arXiv:2502.16697},
year = {2025}
}