基于信息流的数字病理学中图神经网络解释方法探究
机器学习
2021-12-21 v1 人工智能
摘要
随着图神经网络（GNNs）在数字病理学中的广泛应用，人们越来越关注开发 GNNs 的解释模型（解释器），以提高临床决策的透明度。现有解释器发现与预测相关的解释子图。然而，这样的子图不足以揭示预测的所有关键生物子结构，因为在移除该子图后预测仍保持不变。因此，解释子图不仅应对预测是必要的，还应足以揭示最具预测性的区域以作出解释。这种解释需要度量从不同输入子图转移到预测输出的信息，我们将其定义为信息流。在本工作中，我们应对这些关键挑战并提出 IFEXPLAINER，其为 GNNs 生成必要且充分的解释。为评估 GNN 预测中的信息流，我们首先提出一种新颖的预测性概念，称为 -信息，其具有方向性并纳入了 GNN 模型的真实能力。基于此，IFEXPLAINER 生成具有最大信息流至预测的解释子图。同时，其在移除解释后最小化从输入到预测结果的信息流。因此，所产生的解释对预测必然重要，且足以揭示最关键的子结构。我们在乳腺癌分型上评估 IFEXPLAINER 以解释 GNN 的预测。在 BRACS 数据集上的实验结果显示了所提方法的优越性能。
引用
@article{arxiv.2112.09895,
title = {Towards the Explanation of Graph Neural Networks in Digital Pathology with Information Flows},
author = {Junchi Yu and Tingyang Xu and Ran He},
journal= {arXiv preprint arXiv:2112.09895},
year = {2021}
}