基于深度学习的分类模型对抗中性细胞细胞体自身抗体相关的淋巴结核突炎的解释性

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 抗中性细胞质自身抗体相关的球体膜炎 (ANCA-GN) 需要精确的遗传病理学分类来管理患者.
• 深度学习 (DL) 模型在医学图像分析中表现有前途,但往往缺乏透明度.
• 可解释的人工智能 (XAI) 技术可以阐明DL模型的决策过程.

研究的目的:

• 开发和验证基于DL的计算管道,用于使用伯登分类对ANCA-GN脏活检进行分类.
• 应用XAI技术来解释DL模型的分类,并将其与专家病理学家的评估进行比较.

主要方法:

• 在3个欧洲中心的80名ANCA-GN患者的脏活检幻灯片上训练了一名DL模型.
• 梯度加权类激活映射 (Grad-CAM) 用于生成热图以实现模型可解释性.
• 病理学家分析了热图,以比较DL模型和人类决策标准.

主要成果:

• 在分类ANCA-GN病变方面,DL模型实现了93%的预测准确度.
• 可解释性热图表明,DL模型专注于由病理学家确定为关键的图像区域.
• 该研究验证了DL模型与专家组织病理学解释保持一致的能力.

结论:

• 这项研究提出了第一个基于DL的管道,用于根据伯登分类对ANCA-GN脏活检进行分类.
• 通过XAI技术,成功地使DL模型的决策对病理学家来说具有可解释性.
• 开发的工具有可能增强ANCA-GN诊断和管理中的临床决策.