伪类部分原型网络用于可解释的乳腺癌分类
Mohammad Amin Choukali1, Mehdi Chehel Amirani1, Morteza Valizadeh2
1Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran.
Scientific reports
|May 6, 2024
概括
这项研究提高了乳腺癌分类的深度学习可解释性. 一种新的方法通过学习医疗相关的特征而提高准确性和临床相关性,而无需像素级数据.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 数字病理学数字病理学
背景情况:
- 在医疗保健中采用机器学习 (ML) 时,可解释性至关重要.
- 深度学习模型在临床接受方面面临挑战,因为它们依赖于无关紧要的信息.
- 像ProtoPNet这样的现有可解释模型在乳腺癌分类方面存在局限性.
研究的目的:
- 为乳腺癌分类开发一种更准确,更易解释的深度学习方法.
- 解决数字病理学现有可解释模型的缺陷.
- 提出一种利用医学相关信息来改善临床决策的方法.
主要方法:
- 研究了用于乳腺癌分类的ProtoPNet架构.
- 提出了一种利用聚类来隐式增加班级数量的新方法.
- 学习了相关的原型,而不需要像素级的注释数据.
- 根据病理学家反定义了一个新的可解释性评估指标.
主要成果:
- 拟议的方法证明了更好的分类准确性.
- 实现了增强的解释性,由专家病理学家验证.
- 在BreakHis数据集上的实验结果证实了该方法的有效性.
- 该方法有效地识别出更多与医学相关的特征用于预测.
结论:
- 这种新的方法为乳腺癌检测提供了临床上可接受的可解释深度学习的重要一步.
- 与现有方法相比,它提供了更准确,更易于理解的预测.
- 该技术显示了将其整合到数字病理学工作流程中的希望.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
42.9K
