一个过器层次的可解释性框架,用于CNNs在他的病理学图像分析分析
Selman Uzun1, Gungor Yildirim2
1Graduate School of Natural and Applied Sciences, Computer Engineering, Firat University, Elazig, Turkey.
Computers in biology and medicine
|December 18, 2025
概括
这项研究引入了一个新的框架,用于解释卷积神经网络 (CNN) 决策在组织病理学图像中. 它提供了一种系统的,经过统计验证的方法来理解个别过器的贡献,提高了AI在病理学的透明度.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能.
- 机器学习可以解释机器学习的解释性.
背景情况:
- 卷积神经网络 (CNN) 在基因病理图像分类方面表现出色,但缺乏透明度.
- 现有的可解释性方法 (例如,Grad-CAM) 对个别波器功能的洞察力有限.
- 了解过器级贡献对于验证和信任临床环境中的AI模型至关重要.
研究的目的:
- 开发和验证波器层次的可解释性框架,用于CNS在组织病理学.
- 量化评估个人过器对分类决策的贡献.
- 超越定性热图,走向更严格的解释性方法.
主要方法:
- 开发了一个框架,将单一过器激活与使用相似度指标 (Pearson, Dice, MSE) 的Grad-CAM输出对齐.
- 整合渐进式废弃试验,以评估波器的重要性.
- 应用基于地区的评分来分析过器激活的强度,频率和空间分布.
- 在LC25000基因病理学数据集上验证了方法.
主要成果:
- 在LC25000数据集上实现了高分类性能 (精度0.964,F1得分0.965,ROC-AUC0.997).
- 在过器级别分析和Grad-CAM输出之间显示出强烈的一致性 (Pearson ≈0.97, Dice ≈0.95).
- 统计学意义测试证实了这些发现的可靠性.
结论:
- 拟议的框架提供了一种系统的,统计验证的,多维的方法,用于基于CNN的基因病理学中的过器级解释性.
- 这种方法增强了对CNN决策的理解,潜在地增加了对AI在病理学中的信任和临床采用.
- 数据集不可知论方法提供了一条可重复的途径,用于改善医学成像分析中的AI透明度.
