SAGE: Spiegazioni Semantiche Globali per Modelli di Sopravvivenza Basati su Attenzione in Patologia

Un nuovo framework noto come Semantic Attention Global Explanations (SAGE) è stato sviluppato da ricercatori per fornire spiegazioni complete basate sul linguaggio per i modelli di apprendimento a istanze multiple basati su attenzione (ABMIL) in patologia computazionale. Mentre ABMIL è il metodo principale per le previsioni a livello di vetrino, le sue mappe di attenzione forniscono solo approfondimenti localizzati, non riuscendo a chiarire quali caratteristiche istologiche influenzano le previsioni o come il modello si comporta su una popolazione di pazienti. SAGE rimedia a questo utilizzando un modello visione-linguaggio di patologia per valutare i patch delle immagini rispetto a un insieme di 25 concetti istologici, aggregando i punteggi in base all'attenzione appresa e misurando la relazione di ciascun concetto con il rischio di previsione attraverso le coorti. Questo framework è stato testato su previsioni di sopravvivenza di sette coorti di cancro TCGA e tre modelli foundation, identificando con successo indicatori prognostici noti come l'impatto negativo della necrosi. Questo avanzamento migliora l'interpretabilità dell'IA nell'imaging medico, essenziale per favorire la fiducia clinica e l'adozione. La ricerca è disponibile su arXiv con l'identificatore 2608.02803.