[论文解读] Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning

Ruitong Sun, Mohammad Rostami|arXiv (Cornell University)|Mar 26, 2023

AI in cancer detection被引用 5

一句话总结

本文提出了一种自监督、可解释的深度学习架构，用于黑色素瘤诊断，通过特定指标的分割头和对比学习，定位临床上相关的皮肤病变特征（例如，色素网络、条纹）。通过在有限的人工标注临床指标上进行训练，并利用自监督预训练，该模型生成的注意力图比现有方法更准确且更具临床合理性，显著提升了定位保真度和决策可解释性。

ABSTRACT

Melanoma is a prevalent lethal type of cancer that is treatable if diagnosed at early stages of development. Skin lesions are a typical indicator for diagnosing melanoma but they often led to delayed diagnosis due to high similarities of cancerous and benign lesions at early stages of melanoma. Deep learning (DL) can be used as a solution to classify skin lesion pictures with a high accuracy, but clinical adoption of deep learning faces a significant challenge. The reason is that the decision processes of deep learning models are often uninterpretable which makes them black boxes that are challenging to trust. We develop an explainable deep learning architecture for melanoma diagnosis which generates clinically interpretable visual explanations for its decisions. Our experiments demonstrate that our proposed architectures matches clinical explanations significantly better than existing architectures.

研究动机与目标

• 为解决深度学习在黑色素瘤诊断中临床信任差距的问题，构建一种决策过程可解释且与皮肤科诊疗逻辑一致的模型。
• 通过利用自监督学习和对比预训练，克服细粒度、临床标注的皮肤病变数据稀缺的问题。
• 通过定位特定的诊断生物标志物（例如，色素网络、条纹）而非依赖通用激活图，提升可解释性。
• 通过在训练过程中引入中间层级的临床标注，确保模型决策反映人类专家的诊断模式。
• 验证模型的解释比现有可解释性方法更贴近皮肤科医生识别的关键区域。

提出的方法

• 该架构使用五个独立的分割头（f_Seg）在皮肤病变图像上定位五种不同的临床指标——腺样体样结构、微囊样囊肿、负向网络、色素网络和条纹。
• 采用对比学习（CL）头（f_CLR）对编码器进行自监督实例判别预训练，学习无需标签的通用特征。
• 模型采用多头训练策略，每个临床指标配备一个专用编码器，以避免任务干扰并提高定位精度。
• 使用SimCLR风格的对比损失进行自监督预训练，从弱标注数据中学习鲁棒的特征表示。
• 最终的黑色素瘤诊断通过共享分类头预测，而中间特征图则用于生成空间精确、临床可解释的解释。
• 在每个训练周期内重复使用分割头以优化定位，最终模型采用一次重复以保持一致性。

实验结果

研究问题

• RQ1 能否训练一个深度学习模型，以高空间精度定位特定的、临床上相关的皮肤病变特征（如色素网络、条纹）？
• RQ2 在训练流程中引入中间层级的临床标注，是否能提升模型注意力与皮肤科医生识别的关键区域之间的对齐程度？
• RQ3 在标注数据有限的情况下，自监督对比学习能否有效预训练模型，从而减少对大规模标注数据集的依赖？
• RQ4 与多任务学习相比，每个临床指标使用独立编码器的多头训练在定位性能上表现如何？
• RQ5 与Grad-CAM等标准可解释性方法相比，该模型的解释保真度在临床相关性方面提升了多少？

主要发现

• 该模型在'条纹'指标上实现了43.19%的连续Dice系数，显著优于基线模型如Bio-Unet（32.79%）和f_Res（41.03%）。
• 在使用五个独立编码器的情况下，'色素网络'的定位Dice得分为15.64%，优于多任务学习的Bio-Unet-(Five-tasks)配置（15.89%）
• 将分割头重复一次，显著改善了条纹等不连续特征的定位效果，成功聚焦于正确区域并抑制了假阳性。
• 在多任务学习中加入黑色素瘤诊断任务后，AUC提升至84%，表明联合预测对整体性能具有显著增益。
• 每个临床指标使用五个独立编码器的配置，其定位精度（cDC）优于五或六个任务的多任务学习，表明干扰更小。
• 与Grad-CAM相比，该模型的注意力图更具临床合理性，因其定位的是特定诊断特征而非整个病变区域。