SI-MIL:在千兆像素基因病理学中调节深度MIL以实现自我解释性

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习用于医学成像.

背景情况:

• 对整个幻灯片图像 (WSI) 分析进行多个实例学习 (MIL) 的解释是复杂的,因为幻灯片的大小是千兆像素.
• 当前的MIL可解释性方法对病理学家选择区域背后的逻辑提供了有限的洞察力.

研究的目的:

• 为WSI分析开发一种自我解释的多实例学习 (SI-MIL) 方法,该方法内在包含可解释性.
• 提供基于病理洞察的特征级解读,超越突出区域识别.

主要方法:

• 一个深度的MIL框架,指导基于手工制作的病理特征的可解释分支,用于线性预测.
• 挑战SI-MIL框架内的使用线性预测约束的性能-可解释性权衡.

主要成果:

• 与最先进的方法相比,SI-MIL在三种癌症类型中展示了具有竞争力的WSI级预测性能.
• 该方法提供了独特的特征级解读,根植于WSIs的病理见解.
• 综合性基准测试验证了SI-MIL的本地和全球可解释性,用户友好性和可信度.

结论:

• SI-MIL为WSI分析提供了可解释的MIL的新方法,提供了准确的预测和可操作的病理洞察力.
• 这些发现挑战了这样一种观点,即改善可解释性需要在复杂的医学成像任务的预测性能的妥协.