一个可解释的深度学习模型,用于识别dMMR/MSI-H胃癌的形态特征
Xueyi Zheng1, Bingzhong Jing2, Zihan Zhao1
1Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou 510060, China.
iScience
|February 29, 2024
概括
本研究介绍了风格生成对抗网络,用于解释胃癌诊断中的深度学习模型. 该方法识别了关键的形态特征,帮助病理学家准确的瘤分类和诊断.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 病理学家准确的瘤诊断取决于识别形态特征,这些特征可能很难总结为分类.
- 深度学习模型用于瘤分类,但缺乏直接解释性,阻碍病理学家对分类特征的理解.
- 缺陷的不匹配修复/微卫星不稳定性-高胃癌需要精确的诊断方法.
研究的目的:
- 开发一种深度学习方法,用于直接解释胃癌分类中的形态特征.
- 提高病理学家辨别和利用形态特征的能力,以提高诊断准确度.
- 为了利用风格生成对抗网络进行可解释的瘤分类.
主要方法:
- 利用风格生成对抗网络 (StyleGANs) 来直接解释深度学习模型.
- 将方法应用于缺乏不匹配修复/微卫星不稳定性高的胃癌患者的数据集.
- 专注于检测瘤数据集中的显著和独特的形态特征.
主要成果:
- StyleGAN方法成功地确定了对于胃癌分类至关重要的独特形态特征.
- 该方法允许直接解释,允许病理学家了解模型分类的基础.
- 有关瘤亚型的显著形态特征被有效地检测出来.
结论:
- 提出的基于StyleGAN的方法为分析胃癌的形态特征提供了直接和可解释的方法.
- 这种技术为病理学家提供了宝贵的见解,有可能提高诊断准确性并帮助专业发展.
- 该研究强调了可解释AI在增强特定癌症类型的病理诊断方面的实用性.
