半监督的对比VAE用于解脱数字病理图像的纠
Mahmudul Hasan1, Xiaoling Hu2, Shahira Abousamra1
1Stony Brook University, Stony Brook, NY, USA.
概括
我们介绍了一种用于病理图像的新解方法,以提高深度学习的解释性. 这种方法增强了瘤透淋巴细胞 (TIL) 检测和模型概括.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 深度学习的可解释性
背景情况:
- 深度学习模型擅长预测,但缺乏可解释性.
- 脱模型的目的是通过分解潜在空间来提高模型的解释性.
- 解释深度学习模型对于临床应用至关重要,特别是在病理学中.
研究的目的:
- 提出第一个专门为病理学图像设计的解方法.
- 为了提高深度学习模型的解释性和概括能力,用于瘤透淋巴细胞 (TIL) 检测.
主要方法:
- 开发一种用于病理图像分析的新解方法.
- 实施级联解,创新架构和重建分支.
- 专注于检测瘤透淋巴细胞 (TILs) 的具体任务.
主要成果:
- 在复杂的病理图像上实现了卓越的性能,用于TIL检测.
- 在这个领域,深度学习模型的解释性得到了改进.
- 展示了提议的TIL检测模型的增强泛化能力.
结论:
- 拟议的解方法为解释计算病理学的深度学习模型提供了重大进展.
- 这项工作为癌症诊断中更透明,更可靠的人工智能工具铺平了道路.
- 该方法有效地提高了TIL检测模型的准确性和理解性.


