《Biomedical Signal Processing and Control》：An explainable AI for breast cancer classification using vision Transformer (ViT)
編輯推薦：
乳腺癌（BC）手動分類依賴專業病理學家，深度學習（DL）輔助診斷雖有發展，但存在黑箱性、缺乏可解釋性等問題。研究人員基于視覺 Transformer（ViT）開展 BC 分類研究，所提模型性能超越傳統卷積神經網絡（CNN），且解釋精準，有助于臨床診斷。
癌癥，這個人類健康的 “頭號殺手”，時刻威脅著人們的生命安全。其中，乳腺癌（BC）在女性群體中尤為肆虐，已然成為女性癌癥死亡的首要原因。早期診斷乳腺癌對于提高患者生存率至關重要，而組織病理學圖像分析是檢測乳腺癌分級的關鍵手段。在顯微鏡下，病理學家憑借專業知識，仔細觀察乳腺組織標本的細胞結構，試圖找出那些隱藏的癌細胞。然而，這項工作不僅需要高度專業的技能，還耗費大量時間和精力。
隨著科技的發展，計算機輔助診斷（CAD）技術應運而生，深度學習（DL）算法更是為癌癥檢測帶來了新的曙光。眾多研究人員利用 DL 算法對大量組織病理學圖像進行訓練，期望提高乳腺癌診斷的準確性和速度。但這些基于 DL 的模型卻像是一個個 “黑箱”，只知道輸入圖像和輸出診斷結果，卻無法解釋模型內部的決策過程。在醫療這個敏感領域，醫生們很難完全信任這樣缺乏透明度的模型，這也限制了 DL 技術在臨床中的廣泛應用。
此外，傳統的卷積神經網絡（CNN）雖然在圖像識別領域取得了不少成果，但在捕捉乳腺癌組織病理學圖像中的全局特征信息時，存在一定的局限性。為了解決這些難題，來自未知研究機構的研究人員踏上了探索之旅，他們開展了一項關于基于視覺 Transformer（ViT）的可解釋人工智能（XAI）用于乳腺癌分類的研究 ，相關成果發表在《Biomedical Signal Processing and Control》。
研究人員主要運用了以下關鍵技術方法：首先，使用了公開的 BreakHis 數據集作為研究樣本。接著，對數據進行預處理，包括歸一化和調整大小，并采用數據增強技術擴充數據。然后，利用遷移學習（TL）對 ViT 模型進行訓練和微調，優化網絡超參數。最后，運用六種 XAI 技術，如梯度加權類激活映射（Grad - CAM）、香草梯度（Vanilla gradient）、集成梯度（Integrated gradients）、顯著性圖（Saliency Maps）、局部可解釋模型無關解釋（LIME）和注意力圖（Attention Maps），對模型預測結果進行解釋。
研究結果
- 分類結果：研究人員重點關注訓練準確率（TA）、驗證準確率（VA）、訓練損失（TL）等關鍵指標，通過觀察這些指標的變化，有效監測模型的訓練效果。結果顯示，基于 ViT 模型和遷移學習構建的新 CAD 系統，在使用 BreakHis 數據集進行二元乳腺癌分類時，分類準確率高于當前最先進的方法。即使面對 BreakHis 數據集中類別不平衡的問題，該模型憑借成功的建模策略和特征工程，依然展現出了卓越的性能。
- 模型解釋：利用六種 XAI 技術，研究人員為 ViT 模型的預測結果提供了清晰的解釋。Grad - CAM 技術生成的熱圖，能夠直觀地展示出圖像中對模型預測起關鍵作用的區域；LIME 方法則突出了輸入圖像中影響機器學習算法決策的重要區域，幫助人們理解模型的決策邏輯。這些解釋增強了模型的透明度和可信度。
研究結論與討論
這項研究成功開發并實施了一種基于 ViT 模型和遷移學習的新型 CAD 系統，用于乳腺癌的二元分類。該系統在分類準確率上超越了傳統的 CNN 模型，為乳腺癌的臨床診斷提供了更準確的輔助工具。同時，通過多種 XAI 技術的應用，有效解決了模型可解釋性的問題，讓醫生能夠更好地理解模型的決策依據，從而提高了對模型的信任度。這不僅有助于推動機器學習在臨床領域的廣泛應用，還為乳腺癌的早期診斷和治療提供了更有力的支持，對改善患者的預后具有重要意義。未來，研究人員可以進一步優化模型，探索更多的 XAI 技術，提高模型在復雜臨床場景下的性能，為乳腺癌的防治做出更大的貢獻。
