新的SAGE框架为病理学中的AI提供语义解释

研究人员开发了SAGE，一个新颖的训练后框架，旨在为计算病理学中使用的基于注意力的多实例学习（ABMIL）模型提供语义、语言基础的解释。与仅提供局部注意力图的现有方法不同，SAGE通过将图像块与组织学概念词典进行评分，并根据模型学习到的注意力聚合这些分数，从而提取全局解释。这种方法可以量化特定概念如何与患者队列的预测风险相关联，其在七个TCGA癌症数据集上使用三个基础模型进行生存预测的应用证明了这一点。 AI

影响 增强了医学诊断中AI模型的可解释性，可能有助于病理学家进行生物标志物发现和临床决策。

排序理由 该集群描述了一篇关于计算病理学AI模型可解释性新框架的详细研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ABMIL
• Attention-based multiple instance learning
• foundation model
• Necrosis
• Pathologists' assistant
• renal cell carcinoma
• SAGE
• The Cancer Genome Atlas

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →