71、结肠癌检测中的可解释性：方法与实践

最新推荐文章于 2025-09-10 16:28:25 发布

废话输出机427

最新推荐文章于 2025-09-10 16:28:25 发布

阅读量43

点赞数

CC 4.0 BY-SA版权

分类专栏：数据科学与应用会议精华文章标签：结肠癌检测可解释性 Grad-CAM

本文链接：https://blog.youkuaiyun.com/web39explorer/article/details/149894068

数据科学与应用会议精华专栏收录该内容

87 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

结肠癌检测中的可解释性：方法与实践

1. 相关研究工作

在计算机视觉领域，深度学习框架已成为医学图像分析的首选技术。卷积神经网络（CNNs）在医学图像分析中面临着几大挑战，同时也在多种癌症检测中取得了显著成果。
- CNN在医学图像分析中的挑战与应用场景
1. 细胞核处理 ：包括检测、分割或分类细胞核。
2. 大器官分割 ：对大型器官进行分割操作。
3. 疾病检测与分类 ：在病变处检测和分类目标疾病。
4. 颜色归一化 ：对组织病理学图像进行颜色归一化处理。
- CNN在不同癌症检测中的应用
- 多种癌症类型 ：CNNs在多种癌症的病理图像肿瘤检测中表现出色，如乳腺癌、前列腺癌、卵巢癌、头颈癌、皮肤癌等。
- 肺癌与结肠癌相关研究 ：许多研究聚焦于肺癌和结肠癌的组织病理学图像分类。例如，Borkowski等人创建了包含25000张图像的LC25000彩色图像数据集，涵盖良性和癌性的肺和结肠组织图像；Mangal等人提出了使用浅层CNN架构对肺和结肠组织病理学图像进行分类的训练和评估策略。
- 模型可解释性相关研究
- 在医疗系统中，临床医生和医师更倾向于模型预测的解释和解读。相关研究提出了多种可解释的诊断方法，如基于神经网络的膀胱癌诊断可解释方法、可解释的SVM分类器用于解释乳腺癌病例的恶性与否，以及梯度加权类激活映射（Grad - CAM）用于突出分类器中的重要像素。

2. 提出的方法

提出的方法主要由分类模块和解释模块两个主要部分组成，具体如下：
- 分类模块 ：采用最先进的卷积神经网络（CNN），以ResNet50作为基线模型。其作用是对细胞是否为癌细胞进行分类。
- 解释模块 ：使用梯度加权类激活映射（Grad - CAM）。该技术由Selvaraju等人提出，是一种类判别定位技术，能够通过突出重要像素，从任何CNN网络模型预测中生成可视化简化结果。
- Grad - CAM的计算过程
1. 对于通用的基于CNN的架构，在输入softmax层之前，考虑卷积层的特征图$A_k$，估计特定类$c$的得分$y_c$的梯度$\frac{\partial y_c}{\partial A_{k_{i,j}}}$。
2. 对梯度应用全局平均池化层，输出用于估计神经元重要权重$\alpha_{c}^{k}$，计算公式为：
$\alpha_{c}^{k} = \frac{1}{UV}\sum_{i = 1}^{U}\sum_{j = 1}^{V}\frac{\partial y_c}{\partial A_{k_{i,j}}}$
3. 通过加权组合并结合ReLU层得到前向激活图$L_{c}^{Grad - CAM}$：
$L_{c}^{Grad - CAM} = ReLu(\sum\alpha_{c}^{k}A_{k})$
4. 最终得到与ResNet50网络最后卷积层的卷积特征图大小相同（256×256）的粗略热图，对输出进行归一化处理以便可视化。
- 数据集与实现细节
- 数据集 ：选择LC25000结肠组织病理学图像数据集进行分类任务，该数据集包含25000张结肠组织的组织病理学图像。
- 实现与训练 ：
1. 将图像分割成256×256的补丁。
2. 使用早停准则处理过拟合问题。
3. 70%的数据用于训练，30%用于验证。
4. 采用ResNet50作为基线CNN架构，加载预训练的ImageNet权重，并在Softmax之前添加0.3的dropout。

3. 结果与讨论

性能评估指标 ：使用F1分数评估所提出方法的准确性，F1分数的计算公式为$F1 = \frac{2×Precision×Recall}{Precision + Recall}$。同时，将该方法与最先进的深度模型进行比较，结果如下表所示：
| 方法 | 准确率（F1） |
| ---- | ---- |
| VGG16 | 0.93 |
| ResNet101 | 0.91 |
| ResNet152 | 0.89 |
| DenseNet121 | 0.92 |
| DenseNet169 | 0.82 |
| DenseNet201 | 0.88 |
| NASNetMobile | 0.88 |
| MobileNet | 0.82 |
| EfficientNetV2 | 0.91 |
| ResNet50 | 0.95 |

从表中可以看出，ResNet50在LC25000数据集上表现最佳，因此选择ResNet50作为所提出方法的基线CNN编码器。
- 混淆矩阵与案例分析 ：绘制了使用所提出架构的混淆矩阵，直观展示了模型的预测情况。同时，通过具体案例分析，展示了模型能够准确预测癌细胞和非癌细胞的情况，以及模型预测失败的案例，并标注出分类器做出决策所依据的重要像素区域。

4. 结论

本文提出了一种从组织病理学图像中对腺癌（癌症）和良性（非癌症）进行分类的方法。通过结合最先进的CNN（ResNet50）作为二元分类器，并利用CNN的中间层计算输入的像素权重，进而突出分类器决策所依据的重要区域。该方法在公共数据集LC25000上进行了验证，并与不同的基线CNN进行了比较。研究认为，该方法可以为医生提供辅助，有助于准确诊断结肠癌并提供可解释性。未来的研究方向包括在其他癌症数据集（如肺癌和脑癌）上进行基准测试，以及添加更多可视化技术以提高可解释性。

下面通过mermaid流程图展示整个方法的流程：

graph LR
    A[输入组织病理学图像] --> B[分类模块（ResNet50）]
    B --> C{是否为癌细胞}
    C -- 是 --> D[输出癌细胞分类结果]
    C -- 否 --> E[输出非癌细胞分类结果]
    B --> F[提取最后卷积层特征]
    F --> G[解释模块（Grad - CAM）]
    G --> H[生成热图并可视化重要区域]

该流程图清晰地展示了从输入图像到分类结果输出，以及通过解释模块生成可视化重要区域的整个过程。

结肠癌检测中的可解释性：方法与实践

5. 方法优势与创新性分析

可解释性优势 ：所提出的方法结合了分类模块和解释模块，尤其是使用Grad - CAM技术，为模型的预测结果提供了可解释性。在医疗场景中，医生不仅需要知道模型的预测结果，更需要了解模型做出决策的依据。Grad - CAM通过生成热图，突出显示对分类决策起关键作用的像素区域，使得医生能够直观地看到模型关注的部位，从而更好地理解模型的判断逻辑，增强了医生对模型的信任度。
创新性体现
- 架构选择 ：选择ResNet50作为基线CNN架构，ResNet50具有强大的特征提取能力，并且通过加载预训练的ImageNet权重，能够快速收敛并在数据集上取得较好的效果。同时，在Softmax之前添加0.3的dropout，有效防止了过拟合问题，提高了模型的泛化能力。
- 数据集应用 ：使用LC25000结肠组织病理学图像数据集进行分类任务，该数据集规模较大且涵盖了多种情况的结肠组织图像，为模型的训练和评估提供了丰富的数据支持。而且，将图像分割成256×256的补丁进行处理，使得模型能够更细致地分析图像特征。

6. 与其他方法的对比分析

为了更全面地评估所提出方法的性能，我们将其与其他相关方法进行了对比，具体如下表所示：
| 方法 | 可解释性 | 准确率（F1） | 数据集 |
| ---- | ---- | ---- | ---- |
| 本文方法 | 有（Grad - CAM） | 0.95 | LC25000 |
| VGG16 | 无 | 0.93 | LC25000 |
| DenseNet121 | 无 | 0.92 | LC25000 |
| 基于SVM的可解释方法 | 有 | 未提及 | 未提及 |

从表中可以看出，本文方法在准确率上优于部分其他方法，并且具有可解释性的优势。与传统的无解释性方法相比，本文方法能够为医生提供更多有价值的信息；与基于SVM的可解释方法相比，虽然缺乏其准确率的对比数据，但本文方法基于CNN架构，在处理图像数据方面具有天然的优势。

7. 实际应用中的挑战与解决方案

数据方面的挑战
- 数据不平衡 ：在实际的结肠组织病理学图像数据集中，可能存在癌细胞和非癌细胞样本数量不平衡的问题。这可能导致模型在训练过程中更倾向于预测数量较多的类别，从而影响模型的性能。
- 解决方案 ：可以采用数据增强技术，如旋转、翻转、缩放等操作，增加少数类样本的数量；也可以使用加权损失函数，对少数类样本赋予更高的权重，使得模型更加关注少数类样本的分类。
模型复杂度与计算资源的挑战
- 模型复杂度 ：ResNet50作为一个深度神经网络，具有较高的复杂度，在训练和推理过程中需要大量的计算资源和时间。
- 解决方案 ：可以采用模型压缩技术，如剪枝、量化等，减少模型的参数数量，降低模型的复杂度；也可以使用分布式计算或云计算平台，提高计算效率。

8. 未来研究展望

多模态数据融合 ：目前的研究主要基于组织病理学图像数据，未来可以考虑融合其他模态的数据，如临床信息、基因数据等。多模态数据融合可以提供更全面的信息，有助于提高模型的诊断准确性和可解释性。
可解释性技术的改进 ：虽然Grad - CAM为模型提供了一定的可解释性，但仍有改进的空间。未来可以探索更先进的可解释性技术，如基于注意力机制的解释方法，进一步提高模型决策的透明度。
跨数据集验证 ：在更多不同来源的癌症数据集上进行验证，以确保模型的泛化能力和稳定性。例如，在肺癌、脑癌等数据集上进行基准测试，扩大模型的应用范围。

下面通过mermaid流程图展示未来研究方向的拓展：

graph LR
    A[当前研究：组织病理学图像分析] --> B[多模态数据融合]
    A --> C[可解释性技术改进]
    A --> D[跨数据集验证]
    B --> E[提高诊断准确性和可解释性]
    C --> E
    D --> F[增强模型泛化能力和稳定性]

该流程图展示了未来研究方向的拓展，以及各个方向对提高模型性能的预期影响。通过不断地探索和改进，有望为癌症诊断提供更有效的辅助工具。