ASYMIRX:Asymirai引导的可解释深度学习框架用于可解释且可信的乳腺癌图像分类

《Computer Methods and Programs in Biomedicine Update》:ASYMIRX: Asymirai-Guided Explainable Deep Learning for Interpretable and Trustworthy Breast Cancer Image Classification

【字体: 大 中 小 】 时间:2026年10月12日 来源:Computer Methods and Programs in Biomedicine Update CS12.6

编辑推荐:

  利用深度学习模型进行乳腺癌诊断常常受限于有限的可解释性、不稳定的注意力推理以及病变敏感决策过程透明度不足,从而制约了临床信任与部署。本研究提出ASYMIRX,一种新型的不对称引导(asymmetry-guided)可解释深度学习框架,旨在通过透明的特征推理、反

  
利用深度学习模型进行乳腺癌诊断常常受限于有限的可解释性、不稳定的注意力推理以及病变敏感决策过程透明度不足,从而制约了临床信任与部署。本研究提出ASYMIRX,一种新型的不对称引导(asymmetry-guided)可解释深度学习框架,旨在通过透明的特征推理、反事实敏感性分析、不确定性量化和潜在空间可解释性来改善可解释的乳腺癌图像分类。与传统的黑箱可解释人工智能方法不同,该框架整合了不对称感知注意力传播、Grad-CAM推理级联、反事实恶性肿瘤追踪和不确定性分解,以揭示跨层次网络层中具有临床意义的特征演化。该框架结合卷积特征提取、语义注意力重新加权、潜在表示分析和蒙特卡洛(Monte Carlo, MC)不确定性估计,以评估病变形态、边界不规则性、组织不对称性和上下文模式。实验结果表明,与基线Mirai模型相比,该框架在解释保真度上提高了42.6%,定位精度提高了22.5%,归因稳定性提高了17.7%,潜在簇紧致性提高了56.3%,预测不确定性熵降低了27.7%。此外,ASYMIRX生成了更稳定的语义注意力分布和临床一致的病变定位,展现出优越的可解释性、鲁棒性和诊断可靠性,适用于可信的医学人工智能应用。
**ASYMIRX:一种Asymirai引导的可解释深度学习框架——用于可信乳腺癌图像分类的解读**

**一、研究背景与研究问题**

乳腺癌是威胁全球女性健康的高发恶性肿瘤,早期筛查可显著改善患者生存率。深度学习模型在乳腺影像分类中取得了接近放射科专家的性能,但其“黑箱”特性阻碍了临床采纳。现有可解释人工智能(Explainable Artificial Intelligence, XAI)方法如Grad-CAM、SHAP、LIME和注意力热图大多只提供输出级的空间定位,无法揭示内部特征如何跨层交互、激活如何传播以及决策路径是否遵循临床逻辑。Mirai与Asymirai虽分别引入深度表示学习和双侧不对称推理,但解释仍停留在空间与输出层面,中间层特征演化与神经元级推理过程不透明,导致临床医生难以验证模型判断依据。因此,亟需一种能够显式追踪内部证据传播、同时保持高分类性能的可解释框架。

**二、研究目标与意义**

针对上述不足,研究人员提出了ASYMIRX框架。它并非在Asymirai上简单叠加事后解释工具,而是将不对称引导学习与逐层激活传播、证据流分析整合为统一架构,使诊断信息从特征提取到最终分类的演化过程可被显式检查。该框架旨在回答三个研究问题:Asymirai引导网络如何提升可解释性与透明度;特征表示、注意力激活与逐层传播模式如何交互;逐层可解释性在多大程度上改善临床信任、诊断可靠性与分类性能。这项工作为可信医学人工智能提供了兼顾性能与透明度的新范式。

**三、关键技术方法**

研究人员使用公开的乳腺超声图像数据集(Breast Ultrasound Images, BUSI)进行模型开发与内部评估,该数据集包含来自600名女性的780幅图像(437例良性、210例恶性、133例正常);使用乳腺癌病灶超声数据集(Breast-Lesions-USG, BrEaST)进行外部交叉数据集验证,其包含256名患者的256幅超声扫描(154例良性、98例恶性、4例正常),BrEaST来自癌症影像档案库(The Cancer Imaging Archive)且标注经随访或活检确认。两种数据集构成不同的开发与验证队列。主要方法包括:基于Mirai的基线深度表示分支与Asymirai引导的不对称推理分支;多尺度卷积模块(3×3、1×3/5×5形态核及扩张全局上下文核);AMSA注意力机制对通道与空间特征重新加权;逐层激活传播与贡献分析;Grad-CAM定位;反事实扰动分析(在潜在表示上施加α从0到3.0、25个等间距扰动);潜在空间PCA/t-SNE可视化;蒙特卡洛dropout不确定性估计。模型采用ImageNet预训练ResNet-18初始化,AdamW优化器,学习率1×10-4,训练20轮,固定随机种子42。

**四、研究结果**

**4.1 统计显著性分析**:采用单因素方差分析(ANOVA)和独立t检验,证实模型间在准确率、宏平均AUC(Macro-AUC)、宏平均精度(Macro-AP)和平均召回率上存在显著差异(如准确率F(3,16)=48.72,p<0.001),而Mirai与Asymirai全局准确率无显著差异(t=1.21,p=0.244),但Asymirai在恶性区域敏感性和解释稳定性上显著更优(t=4.86,p<0.001)。

**4.2 组件消融研究**:在BUSI上移除不对称引导导致宏平均F1(Macro-F1)从完整模型的约0.458降至0.284,下降最明显;移除AMSA注意力使Macro-F1降至约0.412;移除多尺度卷积降至约0.428;移除反事实分析对分类指标影响较小,说明其是解释敏感性机制;移除不确定性模块则使认知不确定性趋近零,说明其是置信度评估的核心。

**4.3 总体基准性能**:Mirai准确率最高(0.956),Asymirai接近(0.952),优于ResNet18(0.934)和2D-CNN(0.676);Asymirai在Macro-AUC、Macro-AP、平均召回率等方面保持竞争力,且训练收敛稳定。

**4.4 反事实恶性肿瘤编辑与敏感性分析**:对潜在表示进行渐进扰动时,ASYMIRX比Mirai具有更平滑的概率过渡和更受控的敏感性梯度,表明其对恶性肿瘤相关表示变化的响应更系统,但该结果仅反映模型层面的敏感性,不构成生物学因果证据。

**4.4.1 领域特定推理与可解释性**:ASYMIRX生成的结构化推理图具有更密集的全局上下文连接和更强的特征整合,边缘权重显示渐进推理重要性,优于Mirai的分布式注意传播。

**4.4.2 特征归因与注意力推理**:ASYMIRX产生更判别性的特征排序、更平滑的注意力门控轨迹,Grad-CAM更集中于病灶边界和可疑组织区域,减少了噪声激活传播。

**4.4.3 全局与局部特征贡献**:ASYMIRX在全局语义激活与局部病变表示之间表现出更紧密的相关性,放大了诊断相关区域并抑制无关背景响应。

**4.4.4 潜在决策状态空间分析**:PCA和t-SNE显示ASYMIRX形成更紧凑、可分离的良性、恶性、正常聚类,簇紧致度指标改善,表明不对称引导促进了语义连贯的特征学习。

**4.4.5 跨层GradCAM推理级联**:浅层(L1–L2)捕捉纹理和边缘,深层(L3–L4)聚焦语义病变区域;ASYMIRX的激活图更局限且与输入图像的病灶边界对齐,而Mirai存在背景扩散。

**4.4.6 时间风险轨迹建模**:在模拟纵向风险演化中,ASYMIRX轨迹更平滑、波动更小,类别间分离更明显,支持未来用于长期监测和风险预测。

**4.4.7 决策密度分析**:ASYMIRX产生更致密、重叠更少的类别流形,对正确聚类的恶性样本赋予更高置信度,改善了校准性能。

**4.4.8 预测不确定性量化**:ASYMIRX大幅降低总熵和偶然不确定性,MC-dropout的置信度离散度更窄,在降低不确定性的同时保持恶性预测置信度稳定。

**4.4.9 定量可解释性评估**:在BUSI上,ASYMIRX获得最低的删除AUC(Deletion AUC,0.16)以体现最高解释保真度,定位精度(IoU)0.87,归因稳定性(SSIM)0.93,特征有用性0.86,临床可信度0.96,预测不确定性熵0.11,假阳性解释率0.08,模型透明度指数0.95,均优于其他模型。

**4.4.10 组件消融分析与功能贡献**:不对称引导、AMSA注意力和多尺度卷积主要贡献判别性能;反事实分析和不确定性模块主要贡献敏感性解释和置信度评估,各组件功能互补。

**五、讨论与结论**

**讨论总结**:研究表明,不对称引导推理结合不确定性感知可解释性显著改善了诊断性能与透明度。潜在表示更紧凑、Grad-CAM更解剖学一致、不确定性更低,这些都有助于临床信任。反事实实验虽显示模型对潜在扰动敏感,但不能推断生物学因果。时间轨迹分析提示了纵向监测潜力。总体而言,该框架弥合了预测性能与临床可解释性之间的鸿沟。

**研究结论翻译**:本研究提出了ASYMIRX,一种不对称引导的可解释深度学习框架,用于可解释的乳腺癌图像分类。该框架在统一的可解释AI架构中集成了不对称感知推理、多尺度卷积注意力、潜在空间分析、反事实扰动建模、不确定性量化和激活流可解释性。实验评估表明,ASYMIRX在解释保真度、定位精度、归因稳定性、潜在空间紧致性和预测不确定性降低方面持续优于基线Mirai框架。Grad-CAM语义定位证实了更强的病灶聚焦注意力一致性,潜在轨迹分析显示了改进的类别可分性和特征组织。不对称引导推理能够强调诊断相关病变结构并抑制无关上下文激活,激活流推理架构通过显式可视化节点激活、边权重和语义传播路径提高了透明度。这些发现共同表明,ASYMIRX为人工智能辅助乳腺癌诊断提供了更可信、更可解释的框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号