[논문 리뷰] Towards Explainable Graph Representations in Digital Pathology

Guillaume Jaume, Pushpak Pati외 7명|arXiv (Cornell University)|2020. 07. 01.

AI in cancer detection참고 문헌 21인용 수 31

한 줄 요약

이 논문은 예측을 유지하면서 노드/에지 pruning으로 세포 그래프 기반 유방암 하위타입 분류를 위한 개별 인스턴스 설명을 제공하는 후처리 방법 CGExplainer를 도입합니다. 무작위 설명과의 정성적·정량적 효능을 입증하고, 병리학적 지식과 설명 가능성이 일치함을 보여줍니다.

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.

연구 동기 및 목표

• 디지털 병리학에서 픽셀 수준 분석보다 엔티티/상호작용 중심의 표현을 촉진한다.
• 그래프 기반 예측에 대한 개별 인스턴스의 컴팩트한 설명을 위한 후처리 설명기를 개발한다.
• 설명들이 유방암 하위타입 분류에서 확립된 병리학적 지식과 일치함을 입증한다.
• 2-, 3-, 5-class 시나리오에서 베이스라인에 대해 정성적·정량적으로 설명 가능성을 평가한다.

제안 방법

• Hover-Net으로 검출된 핵과 핵당 16개의 수작업 특징을 노드 임베딩으로 사용하여 DP 이미지를 세포 그래프로 매핑한다.
• 근접 세포 상호작용을 나타내는 kNN 기반 그래프(k=5, 거리 임계값 50픽셀)를 구성한다.
• RoIs로부터 암 하위타위를 예측하기 위해 Graph Isomorphism Network (GIN)으로 세포 그래프를 처리한다.
• GnnExplainer에서 영감을 받아 CGExplainer를 도입하고, 그래프를 prune하면서 예측과 부분그래프 간의 상호 정보(mutual information)를 최대화하도록 노드 수준 마스크를 학습한다.
• 지식 증류, 마스크의 압축성, 엔트로피 기반 이진화를 결합한 손실을 최적화하여 해석 가능하고 컴팩트한 설명을 얻는다.
• PyTorch 및 DGL을 사용하고 내부 BRACS 데이터셋의 2080 RoI를 2-, 3-, 5-class 시나리오로 평가한다.

실험 결과

연구 질문

• RQ1 후처리 노드 수준 마스킹 접근법이 원래 분류기의 예측을 보존하는 컴팩트한 부분 그래프를 식별할 수 있는가?
• RQ2 CGExplainer가 보존하는 핵과 상호작용이 유방암 하위타입 분류에 대해 병리학적으로 관련된 엔티티에 해당하는가?
• RQ3 랜덤 설명기에 비해 CGExplainer가 클래스별 예측 fidelity와 ground truth 레이블과의 정합성에서 더 나은가?
• RQ4 분류 작업의 복잡성(2-, 3-, 5-class)이 설명의 크기와 내용에 어떤 영향을 주는가?

주요 결과

• CGExplainer는 2-, 3-, 5-class 시나리오에서 예측을 유지하면서 평균 약 92–98%의 노드 감소와 평균 약 85–97%의 엣지 감소를 달성합니다.
• CGExplainer의 설명은 작업의 복잡도가 증가함에 따라 종양 상피핵과 관련된 세포 간 상호작용을 보존합니다.
• 랜덤 설명기에 비해 CGExplainer는 클래스별 예측에 더 충실하고 평균적으로 실제 정답 레이블과의 일치도가 더 높습니다.
• 원래 CG 및 CGExplainer 설명은 클래스별 교차 엔트로피가 비슷하나, 랜덤 설명기는 일반적으로 클래스 간 평균 CE가 더 높습니다.
• 정성적 분석은 설명이 중심 종양 핵과 주변 핵 및 그들의 상호작용에 초점을 맞추며, DCIS 하위타입에 대한 병리학적 추론에 부합합니다.