计算病理学中图神经网络解释器的量化

深度学习方法的的可解释性对于促进其在数字病理学中的临床采用至关重要。然而，基于像素级处理的流行深度学习方法和可解释性技术（解释器）忽视了生物实体的概念，从而给病理学家的理解带来困难。在这项工作中，我们通过采用基于生物实体的图处理和图解释器来解决这一问题，从而提供病理学家可理解的解释。在此背景下，一个主要挑战是以标准化且可量化的方式辨别有意义的解释器。为此，我们提出了一组基于类可分离性统计、利用病理可度量概念来刻画图解释器的新型量化指标。我们采用所提出的指标评估三类图解释器，即逐层相关性传播、基于梯度的显著性和图剪枝方法，以解释用于乳腺癌分型的细胞图（Cell-Graph）表示。所提指标也可通过领域特定的直观概念应用于其他领域。我们在 BRACS 数据集（一个大型乳腺癌区域兴趣队列）上由病理学专家验证了定性与定量发现。