基于定量化的可解释的人工智能用于深度学习决策:在肝细胞癌歧视中的定量形态特征的集群和可视化
Gen Takagi1, Saori Takeyama1, Tokiya Abe2
1Institute of Science Tokyo, School of Engineering, Department of Information and Communications Engineering, Yokohama, Japan.
Journal of medical imaging (Bellingham, Wash.)
|October 13, 2025
概括
本研究介绍了一种定量可解释的人工智能 (QXAI) 方法,用于解释肝癌病理学中的深度学习 (DL) 决策. 该方法通过揭示驱动诊断的关键形态特征来增强DL工具的信任和临床采用.
科学领域:
- 计算病理学计算病理学
- 人工智能在医学中的应用
- 数字病理学数字病理学
背景情况:
- 深度学习 (DL) 模型在计算病理学中实现了高精度,但往往缺乏透明度,阻碍了临床整合.
- DL的"黑盒子"性质需要开发可解释的AI方法,以实现可靠的医疗应用.
- 量化可解释人工智能 (QXAI) 对于理解复杂诊断任务中的DL决策过程至关重要.
研究的目的:
- 开发和验证QXAI方法,客观地解释肝细胞癌 (HCC) 病理图像分析中的DL模型决策.
- 通过识别关键图像区域和形态特征,量化阐明DL分类背后的推理.
- 通过提供透明和可信的诊断见解,增强DL在病理学中的临床采用.
主要方法:
- 利用DL嵌入的潜空间聚类来识别有歧视性的图像区域.
- 使用从核细分 (HoverNet) 获得的形态特征,量化表征识别区域.
- 使用LightGBM进行关键特征选择和统计分析,将形态与分类结果联系起来.
主要成果:
- 该QXAI方法成功地确定了HCC病理图像中的关键歧视性区域和特征.
- 发现核大小,染色质密度和形状不规则性等形态特征至关重要.
- 基于集群的分析提供了对分类驱动因素的结构化,临床相关和病理学家验证的见解.
结论:
- 拟议的QXAI框架有效地将形态特征与HL分类决定在HCC分析中联系起来.
- 这种方法显著提高了DL模型在数字病理学中的可解释性和可信度.
- QXAI促进了先进的人工智能工具的无临床集成,以改善癌症诊断.
