[论文解读] 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 31

一句话总结

本论文介绍 CGExplainer，一种事后方法，通过剪除节点/边来在保持预测的前提下为基于细胞图的乳腺癌亚型划分提供紧凑的逐实例解释。它展示了相较随机解释的定性与定量效果，并显示可解释性与病理知识保持一致。

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.

研究动机与目标

• 在数字病理中推广以实体/相互作用为中心的表示，优于像素级分析。
• 开发一个事后解释器，用于对基于图的预测进行逐实例、紧凑的解释。
• 证明解释与在乳腺癌亚型分型中的既定病理知识保持一致。
• 在乳腺癌数据集上，既定基线下对可解释性进行定性与定量评估。

提出的方法

• 使用 Hover-Net 检测的细胞核将 DP 图像映射为细胞图，并以每个细胞核的 16 个手工特征作为节点嵌入。
• 构建一个基于 kNN 的图（k=5，距离阈值 50 像素），表示近邻细胞间的相互作用。
• 用 Graph Isomorphism Network (GIN) 处理细胞图，以从 RoIs 预测癌症亚型。
• 引入 CGExplainer，受 GnnExplainer 启发，学习一个节点级掩码在最大化预测与子图之间的互信息的同时对图进行裁剪。
• 优化一个损失函数，结合知识蒸馏、掩码的紧凑性以及基于熵的二值化，以产生可解释、紧凑的解释。
• 使用 PyTorch 和 DGL 实现和评估，采用内部 BRACS 数据集，包含 2080 个 RoIs，覆盖 2、3、5 类情景。

实验结果

研究问题

• RQ1 一种事后节点级掩蔽方法是否能够识别一个紧凑的子图，从而保持原始分类器的预测？
• RQ2 CGExplainer 中保留的细胞及其相互作用是否对应于乳腺癌亚型分型的病理相关实体？
• RQ3 就紧凑性和预测保真度而言，CGExplainer 相较于随机解释器的对比如何？
• RQ4 分类任务的复杂性（2 类、3 类、5 类）如何影响解释的大小和内容？

主要发现

• CGExplainer 在保持 2 类、3 类和 5 类情景的预测的同时，在节点（平均约 92–98%）和边（平均约 85–97%）上实现了大幅度缩减。
• CGExplainer 的解释保留肿瘤上皮细胞核及与增大任务复杂性相一致的相关细胞相互作用。
• 与随机解释器相比，CGExplainer 在平均意义上产生更忠实的类级预测并与真实标签对齐得更好。
• 原始 CG 与 CGExplainer 的类级交叉熵相近，而随机解释器通常在各类上产生更高的平均 CE。
• 定性分析显示解释聚焦于肿瘤中心和边缘的细胞核及其相互作用，符合 DCIS 亚型分型的病理推理。