Dec, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 基于医学概念的图神经网络的认知解释器

    本研究提出一种基于医学概念的可解释卷积神经网络框架，可用于识别超声标准平面，并构建关键医学概念之间的关系，从医生的认知角度解释，并在实验中取得了实质性的解释性能提升。

    Jan, 2022

  • KS-GNNExplainer：基于组织病理图像的全局模型解释与实例说明

    我们开发了 KS-GNNExplainer，这是第一个利用现有实例级方法以有效方式提供更具信息和可靠的可解释输出的实例级图神经网络解释器，从而使得基于图形的组织病理学图像分析可以显著受益。我们的实验表明，该解释器能够成为全局模式提取器，从而克服了当前实例级方法在该领域中的基本局限性。

    Apr, 2023

  • 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

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

    Aug, 2023

  • 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

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 组织病理学中的图神经网络：新兴趋势和未来方向

    综述了整个切片图像（WSIs）中图神经网络（GNNs）的应用，讨论了它们在组织病理学中的应用，并探讨了未来发展趋势。通过对四个新兴趋势的深入探索，提供了关于 GNNs 在组织病理学分析中发展的见解，并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法，推动组织病理学分析的发展。

    Jun, 2024

  • GCExplainer：基于概念的人机交互解释器用于图神经网络

    本文提出了一种适用于 GNN 节点和图分类的自动套路解释方法 GCExplainer，通过将人放入循环中，实现了对 GNN 的全局解释，实验表明该方法较 GNNExplainer 具有更高质量的概念表示和提供了更深刻的数据集和模型分析。

    Jul, 2021

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023