人类视觉注意力启发的知识蒸是基础的可解释的计算病理
Muzhou Yu1, Zihan Zhong2,3, Xingang Zhou4
1School of Computer Science and Technology, Xi'an Jiaotong University, Shaanxi, China.
Scientific reports
|November 26, 2025
概括
计算病理学使用医学图像的深度学习. 一种新的人类视觉注意力启发的知识蒸 (HVisKD) 策略提高了轻量级模型的性能和病理分析中的解释性.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医疗图像分析
- 医疗保健中的人工智能
背景情况:
- 计算病理学利用深度学习进行高分辨率医学图像分析.
- 一个关键的挑战是平衡模型的效率,可解释性和性能.
- 知识蒸 (KD) 压缩模型,但往往缺乏可解释性,导致不准确的图像注意力.
研究的目的:
- 以人类视觉处理为灵感,开发一种新的知识蒸策略.
- 提高轻量级深度学习模型在计算病理学中的可解释性和性能.
- 解决病理图像分析中的模型效率和准确性之间的权衡问题.
主要方法:
- 开发了一个人类视觉的注意力启发的知识蒸 (HVisKD) 战略.
- HVisKD捕捉了区分特征构建的本地和全球补丁关系.
- 将HVisKD应用于病理分析,专注于细分任务和手术内诊断.
主要成果:
- 在细分任务中,HVisKD在各种轻量级模型中提高了性能.
- 由HVisKD生成的注意力图显示了与人类专家细分的更好的一致性.
- 在现实世界中,HVisKD提供了可解释和快速的分析,用于手术内病理诊断.
结论:
- HVisKD为计算病理学提供了一个轻量级和可解释的策略.
- 该方法将深度学习与类似于大脑的信息处理对齐,以获得可靠的输出.
- 这种方法有效地平衡了模型的效率,可解释性和任务性能.


