通过多任务对抗 CNN 学习可解释的肿瘤微观特征以提升泛化能力
计算机视觉与模式识别
2023-06-22 v3 图像与视频处理
摘要
在日常原发诊断中采用卷积神经网络（CNNs）不仅要求近乎完美的精度，还需对数据获取偏移具备充分泛化能力及透明度。现有 CNN 模型如同黑盒，无法向医师保证模型利用了重要诊断特征。基于多任务学习、域对抗训练和基于概念的可解释性等已有成功技术，本文致力于将诊断因子引入训练目标这一挑战。我们在此表明，所提架构通过端到端学习多任务与对抗损失基于不确定性的加权组合，被促使聚焦于病理特征（如细胞核密度与多形性，即尺寸与外观变异），同时丢弃染色差异等误导性特征。在乳腺淋巴结组织上的结果显示，肿瘤组织检测的泛化能力显著提升，最佳平均 AUC 为 0.89 (0.01)，而基线 AUC 为 0.86 (0.005)。通过应用线性探测中间表示的解释性技术，我们还证明所提 CNN 架构学习了细胞核密度等可解释病理特征，证实了该模型透明度的增强。该结果为构建对数据异质性鲁棒的可解释多任务架构的起点。我们的代码见 https://github.com/maragraziani/multitask_adversarial
引用
@article{arxiv.2008.01478,
title = {Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization},
author = {Mara Graziani and Sebastian Otalora and Stephane Marchand-Maillet and Henning Muller and Vincent Andrearczyk},
journal= {arXiv preprint arXiv:2008.01478},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2023:011