PCIM：通过高对比度成像中的逐像素通道隔离混合技术学习像素属性

《Simulation Modelling Practice and Theory》：PCIM: Learning Pixel Attributions via Pixel-Wise Channel Isolation Mixing in High Content Imaging

高分辨率像素归属图生成方法PCIM在生物医学影像中表现优异，通过像素隔离和混合层训练实现模型无关解释，优于Grad-CAM等基线方法，尤其擅长检测关键生物特征并避免背景干扰。

　　本文介绍了一种名为Pixel-wise Channel Isolation Mixing（PCIM）的新方法，用于生成像素级别的归因图，以解释深度神经网络（DNN）在生物医学图像分类中的决策过程。PCIM方法的独特之处在于，它不需要提取DNN内部的状态或梯度，而是通过将每个像素视为独立的输入通道，并训练一个混合层来组合这些像素，从而揭示对分类结果影响最大的图像区域。这种方法为生物医学领域的图像分析提供了更高的可解释性和可信度，特别是在高通量成像（High Content Imaging, HCI）中，帮助研究人员更准确地理解模型的决策依据。

深度神经网络在计算机视觉任务中取得了显著的成功，例如图像分类和分割。然而，由于其黑箱特性，模型的决策过程难以解释，这在医疗和药物研究等需要高度信任的应用领域成为了一个障碍。传统的归因方法，如Saliency Maps、Grad-CAM、Grad-CAM++、RISE和Integrated Gradients等，虽然在一定程度上能够揭示图像中哪些像素对分类结果有影响，但它们往往依赖于网络的内部状态或梯度信息，这限制了它们在某些应用场景中的适用性。PCIM方法则通过一种新颖的机制，解决了这一问题，使得归因图的生成过程更加独立于具体的网络结构，从而提高了方法的通用性。

在实际应用中，PCIM特别适用于高通量成像，这是一种通过自动化显微镜大规模采集细胞或组织图像的技术，广泛应用于生物医学研究。例如，在研究药物对细胞的影响时，高通量成像能够提供大量数据，而PCIM可以帮助识别出对分类结果起关键作用的生物特征，如细胞膜的变化、荧光信号的分布等。此外，PCIM还能检测到模型可能依赖的非生物相关因素，例如背景像素或图像伪影，从而确保分类结果的准确性和生物学意义的一致性。

为了验证PCIM的有效性，研究者将其与多种现有归因方法进行了比较，并在三个具有代表性的高通量成像数据集上进行了基准测试。这三个数据集分别是NTR1（荧光显微镜）、BBBC054（明场显微镜）和BBBC010（荧光显微镜）。实验结果显示，PCIM在模型保真度和定位能力方面均表现出色，尤其是在NTR1和BBBC054数据集上，其在删除任务中的表现优于其他方法，而在插入任务中则稍逊于Integrated Gradients。此外，PCIM在定位能力的评估中也表现出色，特别是在BBBC010数据集上，其在质量评估中的表现优于其他方法。

PCIM的工作流程可以分为三个主要步骤。第一步是像素隔离，即将输入图像中的每个像素视为一个独立的通道，并只关注该像素的信息。第二步是像素通道混合，通过训练一个混合层，将这些独立的像素通道进行组合，以反映特定的分类结果。第三步是生成像素重要性图，即从训练后的混合层中提取权重，形成对每个像素重要性的评估。这种机制使得PCIM能够独立于底层分类网络，适用于任意DNN模型。

在生物医学图像分析中，归因图不仅有助于理解模型的决策过程，还能支持实验设计和质量控制。例如，在NTR1数据集中，β- arrestin与绿色荧光蛋白（GFP）结合，用于评估神经紧张素受体1（NTR1）的内部化过程。PCIM方法能够准确识别出对分类结果起关键作用的像素区域，如细胞膜和细胞质中的GFP信号。这表明，PCIM不仅能够揭示模型对图像的依赖关系，还能帮助研究人员验证实验假设是否与模型的决策过程一致。

在BBBC054数据集中，研究者分析了脂多糖（LPS）激活的小鼠微胶质细胞的形态变化。微胶质细胞是中枢神经系统（CNS）中的主要免疫细胞，其形态和纹理的变化可以反映其激活状态。PCIM能够准确识别出这些变化，特别是微胶质细胞在激活状态下的粗糙表面和突起结构，从而帮助研究人员更好地理解模型的决策依据。这种方法不仅提高了模型的可解释性，还增强了对生物过程的洞察力。

BBBC010数据集则用于研究小鼠线虫（Caenorhabditis elegans）在不同处理条件下的生存状态。通过荧光标记Sytox，研究人员可以区分活体和死亡的线虫。PCIM方法能够识别出对分类结果起关键作用的细胞膜区域，这些区域具有较高的荧光信号强度和复杂的纹理特征。这进一步验证了PCIM在生物医学图像分析中的有效性，特别是在区分生物特征与非生物特征方面。

从实际应用的角度来看，PCIM方法不仅能够提高模型的可解释性，还能在药物筛选过程中减少假阳性结果。例如，在高通量筛选中，模型可能会误将某些非生物特征（如背景信号）视为分类的关键因素，从而导致错误的决策。通过生成高分辨率的归因图，PCIM能够帮助研究人员识别这些潜在的干扰因素，确保模型的决策过程与生物学现象一致。此外，PCIM还能够与现有的高通量成像（HCS）流程无缝集成，无需对模型进行重新训练，只需在分类网络后添加一个解释层即可。

尽管PCIM方法在多个方面表现出色，但它仍然存在一些局限性。例如，目前的实现主要针对单通道输入图像，尚未支持多通道图像的处理。此外，由于PCIM需要对每个图像进行特定的优化，其计算速度相对较慢，尤其是在处理大规模数据集时。然而，研究者指出，未来可以通过并行计算等优化手段，提高PCIM的效率，使其适用于更多需要高吞吐量的应用场景。

总的来说，PCIM方法为深度神经网络在生物医学图像分析中的可解释性提供了一种新的解决方案。通过将每个像素视为独立的输入通道，并训练一个混合层来组合这些像素，PCIM能够生成高分辨率的归因图，揭示模型决策的关键因素。这种方法不仅提高了模型的可信度，还为研究人员提供了更深入的生物学理解，从而支持更精准的实验设计和质量控制。随着计算技术的不断发展，PCIM有望在更多生物医学应用中发挥重要作用，推动深度学习在该领域的进一步发展。