一个可解释的支持乳腺癌诊断的决策模型,使用组织病理学图像进行诊断

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能.
• 计算生物学是一种计算生物学.

背景情况:

• 组织病理学幻灯片的手动分析耗时且容易出现错误.
• 卷积神经网络 (CNN) 在癌症检测方面表现有前途,但缺乏可解释性.
• 像类激活映射 (CAM) 这样的现有方法在可视化和性能方面都有局限性.

研究的目的:

• 开发一种可解释的计算机辅助诊断工具,用于组织病理学图像分析.
• 提高基于CNN的癌症检测模型的性能和临床翻译.
• 为病理学家提供一个提供准确诊断和视觉解释的工具.

主要方法:

• 一个新的注意力分支网络 (ABN) 是通过将注意力机制与DarkNet19 CNN集成而开发的.
• 注意分支利用卷积层和全球平均聚合 (GAP) 来生成热图来识别感兴趣的地区.
• 该模型经过7000多张乳腺癌活检幻灯片图像的训练和验证.

主要成果:

• 该ABN模型在对组织病理学图像的二进制分类中实现了98.7%的准确性.
• 该模型与基线DarkNet19模型相比,显示了3% - 4%的性能提升.
• 模型中突出显示的癌症区域与专家病理学家的发现有很好的相关性,这表明改善了临床解释性.

结论:

• 拟议的ABN模型为病理学家提供了一个可解释的决策支持系统.
• 将注意力分支与CNN集成可以提高诊断准确度,并提供视觉洞察力.
• 这种方法促进了癌症诊断的深度学习模型的准确临床翻译.