Mejora de la interpretabilidad del aprendizaje profundo para la clasificación de imágenes histológicas guiada por...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en medicina
• Análisis de imágenes

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) sobresalen en el análisis de imágenes histológicas pero carecen de interpretabilidad.
• Las características diseñadas a mano (HCF) ofrecen interpretabilidad pero tienen un menor poder predictivo.
• La relación entre DL y HCF está poco explorada, lo que dificulta la adopción clínica.

Objetivo del estudio:

• Mejorar la interpretabilidad y el rendimiento del modelo DL en el análisis de imágenes histológicas.
• Integrar HCF en modelos DL utilizando un marco de generalización de débil a fuerte (WSG).
• Explorar la correlación entre DL y HCF para una mejor adopción clínica.

Principales métodos:

• Se desarrolló un marco WSG con un modelo 'débil' interpretable basado en HCF que supervisa un modelo 'fuerte' de estudiante DL.
• Se diseñó una función de pérdida WSG de bootstrap adaptativa para optimizar la transferencia de conocimiento de HCF a características DL.
• Se analizó la información mutua (MI) entre HCF y características DL para evaluar la interpretabilidad y las correlaciones.

Principales resultados:

• El marco WSG mejoró consistentemente el rendimiento de la clasificación en varios modelos.
• El análisis del mapa de saliencia mostró que la supervisión WSG mejoró el enfoque del modelo en regiones de diagnóstico relevantes.
• El análisis cuantitativo reveló un aumento de la MI entre las HCF y las características de DL después del entrenamiento WSG.

Conclusiones:

• El marco WSG integra eficazmente las HCF en el entrenamiento DL, mejorando la interpretabilidad y el rendimiento predictivo.
• Se dilucidaron las HCF clave que impulsan las predicciones DL en la clasificación de imágenes histológicas.
• Los hallazgos respaldan una adopción clínica más amplia de modelos DL interpretables en patología.