基于可解释混合深度学习框架的乳头状甲状腺癌细胞学分类研究

《Scientific Reports》：Ontology-guided neuro-symbolic convNeXtV2–swin transformer for explainable cytological classification of papillary thyroid carcinoma

　　

摘要

乳头状甲状腺癌（PTC）的细胞学评估依赖于对细胞和核形态的显微镜下观察。细微的细胞形态差异、观察者间的主观变异性以及样本的异质性均可能使诊断解读变得复杂。本研究开发了一种可解释的ConvNeXtV2与Swin Transformer混合框架，将精细的细胞学表征与更广泛的空间上下文建模相结合，用于PTC分类。ConvNeXtV2提供精细的核及细胞层面表征，而Swin Transformer捕获细胞学区域之间更广泛的上下文关联。这两种互补的表征共同支持分类任务以及后续基于病理信息的核、组织架构和间质证据解读。可解释性方面结合了生物标志物引导的注意力建模、类激活图（Grad-CAM）风格的定量归因分析以及本体论引导的分类后语义解释。在独立测试集上，该混合框架达到了96.19%的准确率、96.16%的敏感性、96.16%的特异性和95.27%的精确率，受试者工作特征曲线下面积（ROC-AUC）达到0.9702。在外部测试中，准确率、敏感性、特异性和精确率分别为91.4%、91.0%、92.0%和94.0%。定量归因分析显示，PTC组织表现出更高的激活异质性和更强的局部化响应；非PTC组织则表现出更广泛且更均匀的响应，与保留的滤泡形态相关。神经符号组件随后根据预设的甲状腺细胞病理学关系，对分室层面的响应进行了组织整理。这些输出提供了基于病理信息的计算性解读，但并不构成独立的生物标志物检测，也不等同于专家级别的病理学推理。