解释基于深度学习的BRAF V600E突变预测,使用皮肤皮肤黑色素瘤的诊断整体幻灯片图像
Vibha R Rao1, Vy Nguyen2, Thuy L Phung2
1Department of Pathology and Laboratory Medicine, Dartmouth Health, Lebanon, New Hampshire.
The American journal of pathology
|December 14, 2025
概括
深度学习 (DL) 模型可以从整个幻灯片图像中预测黑色素瘤突变. 解释这些AI预测增强了信任,并指导了病理诊断,促进了人类-AI合作.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 深度学习 (DL) 模型可以从基因病理图像中快速预测分子变化,但缺乏透明度.
- 临床信任和DL在病理学中的有意义的应用需要可解释的AI模型.
- 解释DL模型预测对于验证其诊断实用性至关重要.
研究的目的:
- 解释DL模型 (XpressO-黑色素瘤) 的决策过程,预测黑色素瘤中的BRAF V600E状态.
- 评估DL识别的瘤区域与病理学家注释的形态学可信性.
- 建立解释类别,将模型性能与图像区域联系起来,以改善诊断.
主要方法:
- 利用一个弱监督的DL模型 (XpressO-黑色素瘤) 来从整个幻灯片图像中预测BRAF V600E突变.
- 评估了对形态学可信度感兴趣的瘤区域的模型细分.
- 将DL预测和细分与专家病理学家注释进行了比较.
主要成果:
- 开发了四个解释类别,将模型性能 (AUC 0.8,精度/回忆 0.7) 与图像区域相关联.
- 确定了产生有意义的诊断模式和需要注释改进的区域.
- 证明了解释DL输出的实用性,用于临床病理学应用.
结论:
- 可解释的DL模型增强了信任,并促进了病理学家和AI之间的合作.
- 模型解释有助于改进注释并提高数字病理学的诊断准确性.
- 这项工作支持了人工智能在医疗保健中的解释能力的国家优先事项.
