Aug, 2019

使用解释方法解决基于深度学习的组织病理学图像分析中的挑战

PDF
TL;DR本文介绍了解释方法在数字病理学中的应用，以生成热图来解决深度学习方法在数字组织病理学分析中遇到的常见问题，包括对组织病理学数据固有的偏见。通过像素级热图的方法，我们能够精确诊断并帮助发现和消除数据中的偏见，证明解释方法是数字病理学应用开发和部署阶段中的有益工具。
deep learningdigital pathologyexplanation methodsbiasesheatmaps
发现论文，激发创造
  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017

  • 数字病理学中可解释图表示的研究

    本篇研究介绍了一种后处理解释器，可以从图形中提取关键诊断实体，从而进行细胞和细胞间的分类。该解释器具有广泛的应用前景，与数字病理的拓扑表示法相结合，可以产生更全面的解释性结果。

    Jul, 2020

  • 医学图像分析中的可解释深度学习模型

    本文回顾了可解释的深度学习在医学影像任务中的应用，讨论了这种方法的不同途径，临床应用挑战以及需要进一步研究的领域。

    May, 2020

  • 计算病理学中图神经网络解释器的量化

    本文提出了基于生物实体的图形处理和图形解释方法，以便通过使用可量化的统计指标衡量层次相关传播、基于梯度的显著性和图形修剪方法三种图形解释器，让组织病理学家容易理解。实验结果在大量的乳腺癌样本上证明了这些方法的可行性和有效性。

    Nov, 2020

  • 利用基于热图的可解释 AI 提高深度神经网络分类置信度

    本文研究基于热图的可解释 AI 方法在图像分类问题中的质量，并且提出了一个新的分布来显示正确预测和错误预测之间的鲜明差异。最后，提出了一种名为 “生成增强解释” 的方法，可生成能够提高预测精度的热图。

    Dec, 2021

  • 基于图神经网络的数字组织病理学：临床医生的概念和解释

    应对医疗领域深度学习的 “黑箱” 挑战，我们将 GCExplainer（一种自动概念发现解决方案）与 Logic Explained Networks 结合起来，为图神经网络提供全局解释。我们通过使用普遍适用的图构建和分类流程（包括 HoVer-Net 的全景分割和图卷积网络的癌症预测）来展示这一点。通过在乳腺癌的 H&E 切片上训练，我们展示了为临床医生提供可解释和可信赖的人工智能工具的有希望结果。

    Dec, 2023

  • 评估深度神经网络学习的可视化

    本文提出了一种可视化深度神经网络分类决策的方法，使用基于区域扰动的方法评估热图，并比较了三种不同方法计算的热图对网络分类决策的解释力，结果发现基于层级相关传播方法对解释分类决策的效果更好。同时，本文还探讨了利用热图进行神经网络性能无监督评估的方法。

    Sep, 2015

  • 糖尿病视网膜病变筛查的深度图像挖掘

    本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素，同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中，与其他热图检测算法相比，表现出更好的检测性能。

    Oct, 2016