编辑推荐：
乳腺癌（BC）手动分类依赖专业病理学家，深度学习（DL）辅助诊断虽有发展，但存在黑箱性、缺乏可解释性等问题。研究人员基于视觉 Transformer（ViT）开展 BC 分类研究，所提模型性能超越传统卷积神经网络（CNN），且解释精准，有助于临床诊断。
癌症，这个人类健康的 “头号杀手”，时刻威胁着人们的生命安全。其中，乳腺癌（BC）在女性群体中尤为肆虐，已然成为女性癌症死亡的首要原因。早期诊断乳腺癌对于提高患者生存率至关重要，而组织病理学图像分析是检测乳腺癌分级的关键手段。在显微镜下，病理学家凭借专业知识，仔细观察乳腺组织标本的细胞结构，试图找出那些隐藏的癌细胞。然而，这项工作不仅需要高度专业的技能，还耗费大量时间和精力。
随着科技的发展，计算机辅助诊断（CAD）技术应运而生，深度学习（DL）算法更是为癌症检测带来了新的曙光。众多研究人员利用 DL 算法对大量组织病理学图像进行训练，期望提高乳腺癌诊断的准确性和速度。但这些基于 DL 的模型却像是一个个 “黑箱”，只知道输入图像和输出诊断结果，却无法解释模型内部的决策过程。在医疗这个敏感领域，医生们很难完全信任这样缺乏透明度的模型，这也限制了 DL 技术在临床中的广泛应用。
此外，传统的卷积神经网络（CNN）虽然在图像识别领域取得了不少成果，但在捕捉乳腺癌组织病理学图像中的全局特征信息时，存在一定的局限性。为了解决这些难题，来自未知研究机构的研究人员踏上了探索之旅，他们开展了一项关于基于视觉 Transformer（ViT）的可解释人工智能（XAI）用于乳腺癌分类的研究 ，相关成果发表在《Biomedical Signal Processing and Control》。
研究人员主要运用了以下关键技术方法：首先，使用了公开的 BreakHis 数据集作为研究样本。接着，对数据进行预处理，包括归一化和调整大小，并采用数据增强技术扩充数据。然后，利用迁移学习（TL）对 ViT 模型进行训练和微调，优化网络超参数。最后，运用六种 XAI 技术，如梯度加权类激活映射（Grad - CAM）、香草梯度（Vanilla gradient）、集成梯度（Integrated gradients）、显著性图（Saliency Maps）、局部可解释模型无关解释（LIME）和注意力图（Attention Maps），对模型预测结果进行解释。
研究结果
- 分类结果：研究人员重点关注训练准确率（TA）、验证准确率（VA）、训练损失（TL）等关键指标，通过观察这些指标的变化，有效监测模型的训练效果。结果显示，基于 ViT 模型和迁移学习构建的新 CAD 系统，在使用 BreakHis 数据集进行二元乳腺癌分类时，分类准确率高于当前最先进的方法。即使面对 BreakHis 数据集中类别不平衡的问题，该模型凭借成功的建模策略和特征工程，依然展现出了卓越的性能。
- 模型解释：利用六种 XAI 技术，研究人员为 ViT 模型的预测结果提供了清晰的解释。Grad - CAM 技术生成的热图，能够直观地展示出图像中对模型预测起关键作用的区域；LIME 方法则突出了输入图像中影响机器学习算法决策的重要区域，帮助人们理解模型的决策逻辑。这些解释增强了模型的透明度和可信度。
研究结论与讨论
这项研究成功开发并实施了一种基于 ViT 模型和迁移学习的新型 CAD 系统，用于乳腺癌的二元分类。该系统在分类准确率上超越了传统的 CNN 模型，为乳腺癌的临床诊断提供了更准确的辅助工具。同时，通过多种 XAI 技术的应用，有效解决了模型可解释性的问题，让医生能够更好地理解模型的决策依据，从而提高了对模型的信任度。这不仅有助于推动机器学习在临床领域的广泛应用，还为乳腺癌的早期诊断和治疗提供了更有力的支持，对改善患者的预后具有重要意义。未来，研究人员可以进一步优化模型，探索更多的 XAI 技术，提高模型在复杂临床场景下的性能，为乳腺癌的防治做出更大的贡献。
