WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology

要約

深層学習により、高解像度の病理組織全体スライド画像 (WSI) のモデリングが可能になります。
タイルレベルのデータの弱教師あり学習は通常、ラベルが患者または WSI レベル (例: 患者の転帰や組織学的等級付け) にのみ存在するタスクに適用されます。
これに関連して、そのようなモデルからの予測の空間的解釈可能性を改善する必要がある。
モデル解釈のための新しい方法である Wsi rEgion sElection aPproach (WEEP) を提案します。
これは、特定の予測ラベルを割り当てるために必要な WSI の空間領域を確立するための、原理的かつ簡単な方法を提供します。
乳がんの計算病理学の分野におけるバイナリ分類タスクで WEEP を実証します。
WEEP は実装が簡単で、モデルベースの意思決定プロセスに直接接続されており、研究と診断アプリケーションの両方に関連する情報を提供します。

要約(オリジナル)

Deep learning enables the modelling of high-resolution histopathology whole-slide images (WSI). Weakly supervised learning of tile-level data is typically applied for tasks where labels only exist on the patient or WSI level (e.g. patient outcomes or histological grading). In this context, there is a need for improved spatial interpretability of predictions from such models. We propose a novel method, Wsi rEgion sElection aPproach (WEEP), for model interpretation. It provides a principled yet straightforward way to establish the spatial area of WSI required for assigning a particular prediction label. We demonstrate WEEP on a binary classification task in the area of breast cancer computational pathology. WEEP is easy to implement, is directly connected to the model-based decision process, and offers information relevant to both research and diagnostic applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google