Основні поняття
SHAP-CAT は、H&E、IHC、および仮想染色された画像の3つのモダリティを統合し、シャープリー値ベースの次元削減手法を用いて解釈可能な多モーダル分類を実現する。
Анотація
本論文は、乳がん組織画像の解釈可能な多モーダル分類フレームワーク SHAP-CATを提案している。
まず、H&E 画像とIHC 画像の限られたペア付きデータセットから、CycleGANを用いて新しい臨床関連のモダリティである再構成H&E 画像を生成する。次に、各モダリティから特徴表現を抽出し、シャープリー値ベースの次元削減手法を用いて重要な特徴を選択する。最後に、これらの特徴を融合して最終的な分類器を構築する。
実験結果では、提案手法が既存手法に比べて、BCI データセットで5%、IHC4BC-ER で8%、IHC4BC-PR で11%の精度向上を達成している。これは、仮想染色による新規モダリティの生成と、シャープリー値ベースの解釈可能な特徴融合手法の効果によるものである。
本手法は、限られたデータセットの中で解釈可能な多モーダル分類を実現し、乳がん診断の精度向上に貢献できると期待される。
Статистика
再構成H&E 画像を用いることで、単一モダリティモデルの精度が向上する。
3つのモダリティ(H&E、IHC、再構成H&E)を統合することで、BCI データセットで5%、IHC4BC-ER で8%、IHC4BC-PR で11%の精度向上が得られる。
Цитати
"SHAP-CAT は、H&E、IHC、および仮想染色された画像の3つのモダリティを統合し、シャープリー値ベースの次元削減手法を用いて解釈可能な多モーダル分類を実現する。"
"実験結果では、提案手法が既存手法に比べて、BCI データセットで5%、IHC4BC-ER で8%、IHC4BC-PR で11%の精度向上を達成している。"