石墨:基于图形的可解释组织检查,以提高乳腺癌组织病理学的可解释性

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 人工智能在瘤学中的应用

背景情况:

• 癌症诊断中的深度学习模型缺乏解释性,阻碍了临床信任和采用.
• 可解释的人工智能 (XAI) 对于理解医学病理学中的黑子模型至关重要.
• 乳腺癌组织微阵列 (TMA) 分析需要可解释的AI工具来进行准确的诊断.

研究的目的:

• 引入GRAPHITE (基于图形的可解释组织检查),用于乳腺癌TMA分析的后期可解释框架.
• 为了提高临床可信度和深度学习模型的解释性在病理学.
• 提供与病理学家诊断推理一致的可视化.

主要方法:

• 格拉菲特采用多尺度的方法,提取各种放大级别的补丁.
• 构建一个层次图形,使用图形注意力网络 (GAT) 与尺度注意力 (SAN).
• 该模型在140个瘤TMA核和140个良性样本上进行了训练,在53个注释的TMA样本上进行了测试.

主要成果:

• 石墨实现了0.56的平均精度 (mAP) 和0.94.9的AUROC.
• 该框架显示了0.70.7的高值稳定性 (ThR).
• 石墨获得了4.17e+5的决策曲线 (AUDC) 下的最高面积,表明可靠的临床决策支持.

结论:

• 在乳腺癌诊断中,GRAPHITE为计算病理学提供了一个临床上有价值的工具.
• 该框架提供可解释的可视化,支持病理学家的诊断推理.
• 石墨有潜力通过增强AI解释性来推进精准医学.