Die Studie präsentiert eine neue Methode namens WEEP (Wsi rEgion sElection aPproach), die eine räumliche Interpretation von tiefen Lernmodellen in der Computational Pathologie ermöglicht. WEEP nutzt eine rückwärtsgerichtete Auswahlstrategie, um die Teilbereiche (Kacheln) eines Whole-Slide-Bildes zu identifizieren, die für die Zuweisung einer bestimmten Vorhersageklasse (z.B. Histologischer Grad 3 vs. 1 bei Brustkrebs) am relevantesten sind.
Die Methode wurde auf zwei verschiedene Ansätze zur Aggregation von Kachelvorhersagen auf Objektebene angewendet: die 75. Perzentile der Kachelvorhersagen und ein trainierbare Aufmerksamkeitsmodell. Die Ergebnisse zeigen, dass WEEP in der Lage ist, die für die Klassifikation wesentlichen Regionen in den Whole-Slide-Bildern zu identifizieren. Im Vergleich zu anderen Interpretationsmethoden wie Class Activation Maps bietet WEEP eine direkte Verbindung zur Entscheidungsfindung des Modells auf Objektebene.
Die Autoren diskutieren die Stärken und Grenzen von WEEP und betonen, dass die Methode sowohl für Forschungsanwendungen als auch für klinische Entscheidungsunterstützung relevant sein kann.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Abhinav Shar... في arxiv.org 03-25-2024
https://arxiv.org/pdf/2403.15238.pdfاستفسارات أعمق