面向改进宫颈癌筛查：基于 Vision Transformer 的分类与可解释性
计算机视觉与模式识别
2025-05-01 v1 机器学习
摘要
我们提出一种新颖的方法，用于基于 EVA-02 Transformer 模型的宫颈细胞图像分类，以实现宫颈癌筛查。我们开发了一个四步流程：微调 EVA-02、特征提取、通过多种机器学习模型选择重要特征、以及训练新的人工神经网络并可选用损失加权以获得更好的泛化能力。通过以上设计，我们的最佳模型实现了 0.85227 的 F1 分数，优于基线 EVA-02 模型（0.84878）。我们还利用 Kernel SHAP 分析，确定了与细胞形态学和染色特征相关的关键特征，为对微调模型决策过程提供了可解释的见解。我们的代码已公开于 https://github.com/Khoa-NT/isbi2025_ps3c。
引用
@article{arxiv.2504.21340,
title = {Towards Improved Cervical Cancer Screening: Vision Transformer-Based Classification and Interpretability},
author = {Khoa Tuan Nguyen and Ho-min Park and Gaeun Oh and Joris Vankerschaver and Wesley De Neve},
journal= {arXiv preprint arXiv:2504.21340},
year = {2025}
}
备注
Accepted at ISBI 2025 "Challenge 2: Pap Smear Cell Classification Challenge"