生物医学单细胞质图像中多示例学习模型的像素级解释
图像与视频处理
2023-03-16 v1 计算机视觉与模式识别
机器学习
摘要
可解释性是临床决策中计算机辅助诊断系统的关键要求。带有注意力池化的多示例学习提供了实例级可解释性，然而对于许多临床应用而言，更深层的像素级解释是可取的，但迄今尚缺。本工作中，我们研究了使用四种归因方法来解释多示例学习模型：GradCAM、逐层相关性传播（LRP）、信息瓶颈归因（IBA）与 InputIBA。借助这一方法集合，我们可针对从患者血涂片诊断血液癌症的任务推导出像素级解释。我们研究了两个包含超过 100 000 张单细胞图像的急性髓系白血病数据集，并观察各归因方法在多示例学习架构上的表现，重点关注白细胞单细胞的不同属性。此外，我们将归因图与医学专家的标注进行比较，以观察模型决策与人类标准之间的差异。我们的研究解决了在多示例学习模型中实现像素级可解释性的挑战，并为临床医生更好地理解和信任计算机辅助诊断系统的决策提供了见解。
引用
@article{arxiv.2303.08632,
title = {Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images},
author = {Ario Sadafi and Oleksandra Adonkina and Ashkan Khakzar and Peter Lienemann and Rudolf Matthias Hehr and Daniel Rueckert and Nassir Navab and Carsten Marr},
journal= {arXiv preprint arXiv:2303.08632},
year = {2023}
}
备注
Accepted for publication at the international conference on Information Processing in Medical Imaging (IPMI 2023)