可解释的卷积神经网络用于评估头癌的组织病理学
Marion Dörrich1, Markus Hecht2,3, Rainer Fietkau3,4
1Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Erlangen, 91052, Germany.
Diagnostic pathology
|November 4, 2023
概括
卷积神经网络 (CNN) 通过组织病理学幻灯片准确地分类头癌. 可解释的人工智能方法证实CNN专注于相关特征,帮助病理学家进行癌症评估.
科学领域:
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 神经网络在医学成像中表现有前途,但缺乏临床解释性.
- 可解释的人工智能 (XAI) 是一个新兴的领域,解决了人工智能模型的透明度.
研究的目的:
- 为了研究卷积神经网络 (CNN) 进行头癌组织病理学分类.
- 应用XAI技术来理解CNN在癌症检测中的决策.
主要方法:
- 训练有素的CNN用于瘤/非瘤分类和细胞病理幻灯片的语义细分.
- 标注:局部发达的头部和部状细胞癌的101张幻灯片.
- 使用Grad-CAM和HR-CAM进行功能可视化和分析.
主要成果:
- 在未见的数据上,CNN的分类实现了89.9%的准确性.
- 细分网络产生了0.690的交叉与联盟比分,瘤组织为0.782.
- XAI的方法证实了CNN使用的特征与病理学家的专业知识相一致.
结论:
- CNNs在从组织病理学预测头癌方面表现出高准确度.
- 通过XAI增强的CNN显示出在癌症诊断中作为病理学家的辅助工具的潜力.
