GRAPHITE: Graph-Based Interpretable Tissue Examination for Enhanced Explainability in Breast Cancer Histopathology

要約

医療組織病理学における説明可能なAI（XAI）は、がん診断における深層学習モデルの解釈可能性と臨床的信頼性を高めるために不可欠である。しかし、これらのモデルのブラックボックス的な性質は、しばしば臨床的な採用を制限する。我々はGRAPHITE（Graph-based Interpretable Tissue Examination）を紹介する。GRAPHITEは、乳がん組織マイクロアレイ（TMA）解析のために設計された、その場限りの説明可能なフレームワークである。GRAPHITEはマルチスケールアプローチを採用しており、様々な拡大レベルでパッチを抽出し、階層的なグラフを構築し、スケール依存の特徴を捉えるためにSAN（scalewise attention）を用いたグラフアテンションネットワーク（GAT）を利用する。140の腫瘍TMAコアと140の良性サンプルを作成した4つの良性ホールスライド画像でモデルをトレーニングし、53の病理学者が注釈を付けたTMAサンプルでテストした。GRAPHITEは従来のXAI法を凌駕し、平均平均精度（mAP）0.56、受信者動作特性曲線下面積（AUROC）0.94、閾値ロバスト性（ThR）0.70を達成し、このモデルが閾値の広い範囲で高い性能を維持していることを示した。臨床的有用性において、GRAPHITEは4.17e+5という最高の決定曲線下面積（AUDC）を達成し、閾値全体にわたって信頼性の高い決定支援を示している。これらの結果は、GRAPHITEが計算病理学において臨床的に価値のあるツールであり、病理医の診断推論に沿った解釈可能な可視化を提供し、精密医療をサポートする可能性を強調するものである。

要約(オリジナル)

Explainable AI (XAI) in medical histopathology is essential for enhancing the interpretability and clinical trustworthiness of deep learning models in cancer diagnosis. However, the black-box nature of these models often limits their clinical adoption. We introduce GRAPHITE (Graph-based Interpretable Tissue Examination), a post-hoc explainable framework designed for breast cancer tissue microarray (TMA) analysis. GRAPHITE employs a multiscale approach, extracting patches at various magnification levels, constructing an hierarchical graph, and utilising graph attention networks (GAT) with scalewise attention (SAN) to capture scale-dependent features. We trained the model on 140 tumour TMA cores and four benign whole slide images from which 140 benign samples were created, and tested it on 53 pathologist-annotated TMA samples. GRAPHITE outperformed traditional XAI methods, achieving a mean average precision (mAP) of 0.56, an area under the receiver operating characteristic curve (AUROC) of 0.94, and a threshold robustness (ThR) of 0.70, indicating that the model maintains high performance across a wide range of thresholds. In clinical utility, GRAPHITE achieved the highest area under the decision curve (AUDC) of 4.17e+5, indicating reliable decision support across thresholds. These results highlight GRAPHITE’s potential as a clinically valuable tool in computational pathology, providing interpretable visualisations that align with the pathologists’ diagnostic reasoning and support precision medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL