基于细胞组成分析的交互式可解释AI在数字细胞病理学癌症分型中提升人机协作的研究

《Medical Image Analysis》：An Interactive and Explainable AI Approach to Improve Human-Machine Teaming in Cancer Subtyping from Digital Cytopathology

本研究针对癌症分型中传统"黑箱"深度学习模型缺乏可解释性的问题，开发了一种基于细胞组成分析的可解释AI系统。研究人员通过人机协作设计原则，构建了结合细胞分割、特征嵌入和规则集分类的算法框架，在葡萄膜黑色素瘤(UM)和宫颈癌(CC)分型任务中分别达到87.5%和93.1%的准确率。该研究为数字病理学提供了透明可信的决策支持工具，推动了可解释医学AI的临床转化。

　　

在精准医疗时代，癌症分型已成为指导治疗方案选择的关键环节。然而，当前的临床实践面临着双重挑战：基于基因表达谱(GEP)的分析虽然准确但成本高昂、耗时长且普及度有限；而依赖病理学家视觉分析全切片图像(WSIs)的方法虽更易获得，却受到个体经验差异和图像复杂性的制约。更棘手的是，某些癌症分型任务甚至超出了训练有素的病理学家的能力范围，因为WSIs外观与亚型之间尚未建立可靠的特征关联。

传统的深度学习算法虽然在处理WSIs方面表现出色，但往往被视为"黑箱"系统——它们仅提供最终的分型建议，而缺乏支持性解释信息。在癌症分型这一高风险医疗决策中，这种不透明性可能导致自动化偏见或错误信任，阻碍了人工智能在临床实践中的有效应用。

为了解决这些挑战，约翰霍普金斯大学的研究团队在《Medical Image Analysis》上发表了一项创新研究，提出了一种交互式可解释的AI方法，专门用于改善数字细胞病理学中的人机协作。该研究特别聚焦于两个临床需求迫切的癌症分型任务：葡萄膜黑色素瘤(UM)和宫颈癌(CC)的分型预测。

研究团队采用了以人为中心的设计理念，通过形成性用户研究深入了解病理学家的工作流程和需求。他们发现病理学家在进行癌症分型评估时，主要依据不同细胞类型和外观的整体统计数据，而非单个细胞的行为特征。这一关键洞察直接指导了算法设计——系统不再平等处理所有图像块，而是专注于细胞层面的分析。

研究采用了几项核心技术方法：首先使用基于超像素的弱标注方法训练实例细胞分割网络(YOLACT)，从细胞病理学图像中提取单个细胞；然后通过掩码平均池化获取细胞级深度特征，并利用UMAP将高维特征投影到二维流形；最后通过可解释的贝叶斯规则集算法分析细胞外观组成分布，实现癌症亚型分类。研究使用了包含100个UM细胞病理学样本的数据集和包含963个宫颈癌图像区域的数据集进行验证。

研究结果

可解释模型在癌症分型中优于"黑箱"模型

研究显示，基于细胞组成分析的可解释方法在UM分型任务中达到87.5%的准确率，显著高于传统patch-based"黑箱"模型的75.0%。在宫颈癌分型任务中，该方法也取得了93.1%的准确率，优于现有方法。更重要的是，规则集仅包含少量参数，使算法推荐变得透明可验证，同时允许用户理解整体细胞组成。

规则集分类优于其他分类技术和手工特征

通过消融实验比较不同分类方法，规则集算法在UM数据集上达到最高性能(87.50%)，明显优于逻辑回归(75.14%)、支持向量机(82.07%)和人工神经网络(83.71%)。使用细胞级深度特征创建UMAP投影的性能也优于基于手工特征的方法，证实了深度特征在捕获细胞外观信息方面的优势。

超像素标注支持良好的细胞分割性能

评估显示，在交并比(IoU)阈值为50%时，细胞分割的平均精度(mAP)超过70%，表明分割过程能够捕获相当数量的癌细胞。虽然在高IoU阈值下mAP相对较低，但这主要是由于基于超像素的标注在细胞边界质量方面的限制，但对后续细胞分布分析影响有限。

用户研究证实模型可解释性并评估人机因素

针对病理学家的用户研究揭示了重要发现：人机协作性能无法超过机器单独性能；病理学家更倾向于预测转移风险而非GEP分类；AI辅助显著提高了诊断信心；细胞导向的可视化提高了人机协作效率。病理学家特别赞赏细胞检查工具(饼图)和细胞组成可视化功能，认为交互性和相似细胞聚类使检查更加高效。

研究结论与意义

这项研究成功开发了一种基于细胞组成分析的可解释癌症分型算法，其设计充分考虑了病理学家的临床需求和工作流程。该系统在保持高性能的同时，提供了透明的决策过程和交互式检查工具，有效弥合了AI技术与临床实践之间的鸿沟。

研究的创新之处在于其模块化设计——每个组件都可以根据具体临床任务和数据集进行定制，为未来技术升级留下了空间。例如，随着完整标注数据的获得，可以替换或增强系统组件，如用Faster R-CNN替代YOLACT进行细胞分割。

该方法的适用性不仅限于特定癌症类型或图像模态，可以扩展到更广泛的病理组学应用。通过在新的WSI数据集上重新训练或微调分割网络，系统可以有效地提取与不同癌症类型相关的细胞外观特征。

从临床转化角度看，这项研究为数字病理学提供了重要启示：成功的AI辅助系统需要兼顾技术性能和用户体验，可解释性和交互性是促进临床采纳的关键因素。虽然当前研究显示人机协作性能尚未超越AI单独性能，但病理学家对AI辅助工具的积极接受态度预示着良好的应用前景。

这项工作的意义超越了医学影像分析领域，为任何需要综合考虑多个实例以做出推荐的问题提供了通用框架，如卫星图像交通灯优化甚至非成像问题如社会行为研究。通过将深度学习与细胞组成分析相结合，该研究为可解释计算机视觉在医学诊断中的发展奠定了坚实基础，推动了精准医疗向更加透明、协作的方向发展。