.png){kind=icon}
返回
Prototype-Based Multiple Instance Learning for Gigapixel Whole Slide Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05185-1_49.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实例学习（MIL）方法在组织病理学全切片图像（WSI）分析中取得了显著成功。然而，大多数MIL模型仅提供基于注意力的解释，这些解释无法忠实地捕捉模型的决策机制，并且不允许人机交互。为解决这些局限性，我们引入了ProtoMIL，一种用于WSI分析的固有可解释MIL模型，该模型提供用户友好的解释并支持人机干预（代码可在https://github.com/ss-sun/ProtoMIL找到）。我们的方法采用稀疏自编码器从图像特征空间中发现可被人理解的概念，然后用于训练ProtoMIL。该模型将预测表示为概念的线性组合，使决策过程透明化。此外，ProtoMIL允许用户通过修改输入概念来进行模型干预。在两个广泛使用的病理学数据集上的实验表明，ProtoMIL在提供直观可理解的解释的同时，其分类性能可与当前最先进的MIL模型相媲美。此外，我们证明该方法能够通过人机干预消除对诊断无关信息的依赖，引导模型基于正确的理由做出正确判断。
Keyword:
XAI
Histopathology
Multiple Instance Learning
期刊
机构
引用论文
Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge前列腺癌诊断和Gleason分级的人工智能: 熊猫挑战.png)
NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏SI-MIL: Taming Deep MIL for Self-Interpretability in Gigapixel HistopathologySI-MIL：控制深度MIL以实现吉像素病理学中的自解释性
PREAI
分享收藏A visual-language foundation model for computational pathology用于计算病理学的视觉语言基础模型NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer深度学习算法检测乳腺癌女性淋巴结转移的诊断评估OAAI
OAAI分享收藏 没有更多内容
没有更多内容