利用解释方法解决基于深度学习的组织病理学图像分析中的挑战
图像与视频处理
2020-04-28 v2 计算机视觉与模式识别
定量方法
摘要
深度学习因其高预测质量近来在数字病理学中广受欢迎。然而，医学领域需要超越标准定量性能评估的解释与洞察，以更好地理解。近来出现的解释方法迄今在医学中仍很少使用。本工作展示了它们的应用，以生成热力图，从而解决基于深度学习的数字组织病理学分析中遇到的常见挑战。这些挑战包含组织病理学数据通常固有的偏倚。我们研究公开可用的各类肿瘤实体的苏木精和伊红切片中肿瘤组织判别的二分类任务，并考察三类偏倚：（1）影响整个数据集的偏倚，（2）偶然与类别标签相关的偏倚，以及（3）采样偏倚。虽然标准分析聚焦于块级评估，我们提倡像素级热力图，其提供更精确且通用的诊断工具，并进一步有助于揭示数据中的偏倚。该洞察被证明不仅能检测而且有助于消除常见隐藏偏倚的影响，从而改善数据集内及跨数据集的泛化能力。例如，我们观察到在减小标注偏倚时受试者工作特征曲线下面积有提高 5% 的趋势。因此，解释技术被证明是数字病理学真实世界应用生命周期中开发与部署阶段的有用且高度相关的工具。
引用
@article{arxiv.1908.06943,
title = {Resolving challenges in deep learning-based analyses of histopathological images using explanation methods},
author = {Miriam Hägele and Philipp Seegerer and Sebastian Lapuschkin and Michael Bockmayr and Wojciech Samek and Frederick Klauschen and Klaus-Robert Müller and Alexander Binder},
journal= {arXiv preprint arXiv:1908.06943},
year = {2020}
}