HistoLens:一种可通用的工具,用于提高数字病理学定量分析的可访问性和可解释性

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 机器学习在医学中的应用

背景情况:

• 病理学在采用诸如卷积神经网络 (CNN) 等先进的计算工具方面面临挑战,因为它们的"黑子"性质.
• 在定量分析中缺乏可解释性,妨碍了病理学家和监管机构之间的信任.
• 在临床病理学中,急需透明和可解释的机器学习 (ML) 方法.

研究的目的:

• 推出HistoLens,一个图形用户界面 (GUI),旨在实现对注释的组织图像数据集的定量评估.
• 通过结合手工设计的功能可视化来提高复杂的ML模型的解释性.
• 通过增加信任和理解,促进在临床环境中采用ML管道.

主要方法:

• 开发了HistoLens,这是一个用于对注释组织学部分进行定量分析的GUI.
• 实施了手工设计的特征可视化,以确定为特定特征值贡献的区域.
• 配对特征可视化与层次决定,以精确确定特定数据子组的重要图像区域.
• 作为一个用例,利用了来自年轻和老老老鼠部份的注释型丸的数据集.

主要成果:

• HistoLens为非计算专家的数据集有效导航提供功能组件.
• 该工具促进了向下游计算分析的过渡.
• 功能可视化成功地突出显示了小鼠脏数据集中的特定子组具有重要意义的区域.

结论:

• 在数字病理学中,HistoLens显著提高了定量分析的解释性.
• 图形界面使病理学家能够从组织学数据中理解和信任ML驱动的洞察力.
• 这种方法促进了在临床病理学实践中更广泛地采用先进的计算工具.