深度学习为解释性和教育产生合成癌症组织学

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能.
• 数字病理学数字病理学

背景情况:

• 深度神经网络 (DNN) 从组织学提供快速而准确的瘤分类.
• 了解DNN (可解释性) 的决策过程至关重要,特别是当组织学特征含糊不清时.
• 当前的可解释性工具可能对复杂的,定义不良的特征缺乏清晰度.

研究的目的:

• 开发和验证一种新的方法,通过合成组织学来提高DNN可解释性.
• 为了证明合成数据如何揭示与瘤分子亚型相关的微妙组织学特征.
• 评估合成组织学在病理学教育中的实用性.

主要方法:

• 使用条件生成对抗网络 (cGAN) 生成高质量的合成组织学图像.
• 合成组织学的应用,以解释受过分子瘤亚型化训练的DNN模型.
• 在合成数据上使用类和层混合技术来可视化细微的形态差异.
• 评估合成组织学可视化用于病理学家培训的有效性.

主要成果:

• cGANs成功生成了现实的合成组织学图像.
• 合成组织学有效地暴露了关键组织学特征,推动了分子瘤亚型的DNN分类.
• 合成数据上的图像处理技术突出显示了亚型之间的微妙形态区别.
• 合成组织学可视化改善了实习生对瘤生物学组织学基础的理解.

结论:

• 由cGANs生成的合成组织学是改善计算病理学中DNN可解释性的强大工具.
• 这种方法可以发现和可视化与分子瘤状态相关的诊断相关的组织学特征.
• 合成组织学为增强病理学教育和培训提供了一种有价值,直观的方法.