[論文レビュー] Towards Explainable Graph Representations in Digital Pathology

Guillaume Jaume, Pushpak Pati+7 more|arXiv (Cornell University)|Jul 1, 2020

AI in cancer detection参考文献 21被引用数 31

ひとこと要約

本論文は CGExplainer を紹介する。これは事後分析の手法で、細胞グラフに基づく乳がんサブタイプ分けのための、予測を維持しつつノード/エッジを剪定することでコンパクトな個別説明を生成する。ランダムな説明と比較して定性的・定量的有効性を示し、説明可能性が病理学的知識と一致することを示す。

ABSTRACT

Explainability of machine learning (ML) techniques in digital pathology (DP) is of great significance to facilitate their wide adoption in clinics. Recently, graph techniques encoding relevant biological entities have been employed to represent and assess DP images. Such paradigm shift from pixel-wise to entity-wise analysis provides more control over concept representation. In this paper, we introduce a post-hoc explainer to derive compact per-instance explanations emphasizing diagnostically important entities in the graph. Although we focus our analyses to cells and cellular interactions in breast cancer subtyping, the proposed explainer is generic enough to be extended to other topological representations in DP. Qualitative and quantitative analyses demonstrate the efficacy of the explainer in generating comprehensive and compact explanations.

研究の動機と目的

• デジタル病理においてピクセルレベルの解析より、エンティティや相互作用中心の表現を推進する。
• グラフベースの予測に対する個別のコンパクトな説明を提供する事後型説明器を開発する。
• 乳がんサブタイプ分類における説明が確立された病理知識と一致することを示す。
• 乳がんデータセットに対して、ベースラインと比較して説明可能性を定性的・定量的に評価する。

提案手法

• Hover-Net によって検出された核を用いて DP 画像を細胞グラフにマッピングし、核ごとに 16 の手作特徴をノード埋め込みとする。
• 近接する細胞間相互作用を表す kNN ベースのグラフを構築する（k=5、距離閾値 50 ピクセル）。
• Graph Isomorphism Network (GIN) で細胞グラフを処理し、RoI からがんサブタイプを予測する。
• GnnExplainer に触発されただ CGExplainer を導入し、ノードレベルのマスクを学習して予測とサブグラフとの相互情報量を最大化しつつグラフを剪定する。
• 知識蒸留、マスクのコンパクト性、エントロピーに基づく二値化を組み合わせた損失を最適化し、解釈可能でコンパクトな説明を生成する。
• PyTorch と DGL を用いて、社内 BRACS データセットの 2080 RoIs を 2-, 3-, 5-class シナリオで実装・評価する。

実験結果

リサーチクエスチョン

• RQ1 ポストホックなノードレベルのマスキング手法は、元の分類器の予測を保持するコンパクトなサブグラフを識別できるか？
• RQ2 CGExplainer で保持される細胞と相互作用は、乳がんサブタイプ分類の病理学的に関連するエンティティに対応しているか？
• RQ3 CGExplainer はランダムな explainer と比較して、クラスごとの予測忠実度とグラウンドトゥルースラベルとの整合性が高いか？
• RQ4 分類タスクの複雑さ（2-, 3-, 5-class）が説明のサイズと内容にどのように影響するか？

主な発見

• CGExplainer は、2-, 3-, 5-class シナリオで予測を維持しつつ、ノードを大幅に削減（平均 ~92–98%）し、エッジを大幅に削減（平均 ~85–97%）する。
• CGExplainer の説明は、タスクの複雑さの増大に伴って腫瘍上皮核および関連する細胞間相互作用を保持する。
• ランダムな explainer と比較して、CGExplainer はクラス別予測の忠実度が高く、平均でグラウンドトゥルースラベルとの整合性がより良い。
• 元の CG および CGExplainer の説明はクラス別クロスエントロピーが同等で、ランダム explainer は一般にクラス間で平均 CE が高くなる。
• 定性的分析では、説明が中核および周辺の腫瘍核とその相互作用に焦点を当て、DCIS サブタイピングの病理的推論に対応している。