FDTs：一种用于解释性鳞状细胞癌分级的特征解耦变换器

《IEEE/CAA Journal of Automatica Sinica》：FDTs: A feature disentangled transformer for interpretable squamous cell carcinoma grading

本文提出端到端特征解耦Transformer（FDTs），通过语义实例分割框架（SIFDL）和实例注意力块（IAB）解决 SCC 分级中特征纠缠问题，实验表明其显著提升决策可解释性和准确性。

　　

摘要：

尊敬的编辑：本信提出了一种端到端的特征解耦Transformer（FDTs），用于实现无纠缠且语义化的特征表示，从而能够准确、可靠地对鳞状细胞癌（SCC）进行病理分级。现有的视觉Transformer（ViTs）可以实现SCC分级的特征表示学习，但它们都采用了类别-补丁标记的模糊映射来预测模式概率，或者通过窗口下采样来增强特征对上下文信息的表达能力。这种机制导致决策结果难以理解且语义性较差，最终导致特征表示高度纠缠。针对这一关键问题，本文创新性地提出了FDTs，其基于以下两个理念：1）构建了一个基于语义实例的特征解耦学习（SIFDL）框架，该框架能够将图像精确划分为多尺度实例，从而进行并行多目标优化，并通过实例聚合实现特征表示的可解释语义；2）整合了实例注意力模块（IAB），在实例层面发现语义实例与分级模式之间的关系，以减少低重要性实例（如淋巴组织或肌肉）对特征表示的干扰。在两个真实世界的SCC数据集上的实验表明，所提出的FDTs在实现可靠SCC分级任务方面表现优于现有最先进方法。