数字病理学中可解释图表示的探索

数字病理（DP）中机器学习（ML）技术的可解释性对于促进其在临床中的广泛采用具有重要意义。最近，编码相关生物实体的图技术已被用于表征和评估 DP 图像。这种从像素级到实体级的范式转变提供了对概念表征更多的控制。在本文中，我们引入了一种事后解释器，以推导紧凑的逐实例解释，强调图中具有诊断重要性的实体。尽管我们将分析聚焦于乳腺癌分型中的细胞与细胞间相互作用，所提出的解释器具有足够的通用性，可扩展至 DP 中的其他拓扑表征。定性与定量分析证明了该解释器在生成全面且紧凑的解释方面的有效性。