デジタル病理学のプロトタイプベースの説明可能なミトーシス検出のための適応的な例の選択

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• コンピューター病理学 (Computational Pathology) について
• 医学画像分析 医学画像分析

背景:

• ブラックボックスのニューラルネットワークは,ヒト病理学のような重要な医療アプリケーションにおけるAIの安全性に対する課題を提起しています.
• 解釈可能性は,臨床医が癌診断におけるAIツールを信頼し,効果的に活用するために不可欠です.

研究 の 目的:

• ミトーシス検出におけるディープラーニングモデルの解釈性を高めるための新しい説明可能なAIフレームワークであるアダプティブ・エクスプレス・セレクション (AES) を導入する.
• 臨床医がAIの推論を視覚化し,不確実性を評価し,診断の信頼性を高めるために対照的な分析を実行できるようにするためです.

主な方法:

• プロトタイプベースの説明可能なAIフレームワーク (AES) を開発し,画像プロトタイプのサポートと矛盾を回収しました.
• 統合されたAESとFaster R-CNN検出器で,堅牢なミトーシス検出とクロス腫瘍性能評価を行う.
• AESはモデルの信頼面を局所的に近似して,解釈可能な例とリンクされたケース固有の説明を生成します.

主要な成果:

• Faster R-CNN検出器は強力なクロス腫瘍性能を達成し,F1スコア0.84のF1スコアは,犬の皮膚性マスト細胞腫瘍データセットで得られた.
• AESは,地元の意思決定の境界を正確に捉えた簡潔な説明を提供し,予測を関連するプロトタイプにリンクしました.
• ミトス型および非ミトス型原型との類似性が,階層化された信頼にどのように影響し,離散的な予測を超えた微妙な見解を提供することを実証しました.

結論:

• AESは,AI支援型ミトーシス検出システムの透明性と信頼性を大幅に高めています.
• このフレームワークは,臨床医がモデル予測を理解し,検証できるようにすることで,がん診断におけるAIの実践的採用を容易にする.
• AESは,ヒト病理学におけるAIの意思決定を,臨床使用のためによりアクセスしやすく,信頼性のあるものにするために,一歩前進しています.