WEEP：一种用于计算病理学中弱监督CNN模型空间解释的方法
WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology
AI总结：
针对弱监督CNN在计算病理学中空间可解释性不足的问题，提出WEEP方法，以有原则且直接的方式确定WSI中支撑特定预测标签的空间区域，并在乳腺癌二分类任务上验证其有效性与易用性。
摘要：
深度学习使得高分辨率组织病理学全切片图像（WSI）的建模成为可能。对于仅在患者或WSI层面存在标签的任务（例如患者结局或组织学分级），通常采用对切片块级数据进行弱监督学习。在此背景下，需要改进此类模型预测的空间可解释性。我们提出了一种新方法，即WSI区域选择方法（WEEP），用于模型解释。它提供了一种有原则且直接的方式来确定为赋予特定预测标签所需的WSI空间区域。我们在乳腺癌计算病理学领域的二分类任务上演示了WEEP。WEEP易于实现，与基于模型的决策过程直接相关，并提供与研究和诊断应用均相关的信息。
英文摘要：
Deep learning enables the modelling of high-resolution histopathology whole-slide images (WSI). Weakly supervised learning of tile-level data is typically applied for tasks where labels only exist on the patient or WSI level (e.g. patient outcomes or histological grading). In this context, there is a need for improved spatial interpretability of predictions from such models. We propose a novel method, Wsi rEgion sElection aPproach (WEEP), for model interpretation. It provides a principled yet straightforward way to establish the spatial area of WSI required for assigning a particular prediction label. We demonstrate WEEP on a binary classification task in the area of breast cancer computational pathology. WEEP is easy to implement, is directly connected to the model-based decision process, and offers information relevant to both research and diagnostic applications.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
