- 5 次围观
动机：用于医学图像分析的深度学习分类器通常以黑箱形式运行，既不披露其预测所依据的图像特征，也不说明各个决策是如何作出的。外周血细胞分类很好地体现了这一挑战：经验丰富的检验专业人员通过结构化的形态学标准——如细胞核形状、染色质质地、核质比、颗粒性和染色特性——来识别细胞类型，而现有自动化系统无法以这些相同术语表达其推理过程，从而阻碍了临床审查与验证。结果：我们提出一种两阶段、可解释的流程，同时解决这两个层面的不透明性。在第一阶段，一个冻结的、经过领域自适应的视觉-语言模型（ConceptCLIP）通过零样本余弦相似度，将每张细胞图像投射到由70个形态学概念分数构成的向量上，无需逐图像的概念标注。在第二阶段，软决策树（Soft Decision Tree, SDT）仅基于这些概念分数对细胞进行分类，为每次预测生成确定性的、基于概念的决策路径。在 BloodMNIST（8类细胞类型，3,421张测试图像）上，完整流程达到94.86%的测试准确率——较黑箱模型上限低约3个百分点——同时提供完全可追溯的决策逻辑。训练后的组织学标注确认，所学习到的路由逻辑与公认的血液学形态学标准一致，并且在无需亚型监督的情况下，揭示了未成熟粒细胞亚型（早幼粒细胞与中幼粒细胞）之间的一个新出现的区分，表明基于概念的决策树能够恢复超出训练标签粒度范围、但具有临床意义的区分。可用性与实现：源代码、训练好的SDT权重、预计算的概念分数数据以及推理脚本已公开发布于 https://github.com/aquamarineaqua/CLIP-CBM-SoftDecisionTree。
动机： 用于医学图像分析的深度学习分类器通常以黑箱方式运行，既不披露其预测所依据的图像特征，也不说明各个决策是如何作出的。外周血细胞分类便是这一挑战的典型例证：经验丰富的检验专业人员通过结构化的形态学标准——如细胞核形状、染色质质地、核质比、颗粒度和染色特性——来识别细胞类型，然而现有自动化系统无法以这些相同术语表达其推理过程，从而阻碍了临床审计与验证。
结果： 我们提出一种两阶段的可解释流水线，用于同时解决两层不透明性。在第一阶段，一个冻结的、面向领域自适应的视觉-语言模型（ConceptCLIP）通过零样本余弦相似度，将每张细胞图像映射为一个由70个形态学概念分数构成的向量，无需逐图像的概念标注。在第二阶段，软决策树（Soft Decision Tree, SDT）仅基于这些概念分数对细胞进行分类，并为每次预测生成确定性的、基于概念的决策路径。在 BloodMNIST（8种细胞类型，3,421张测试图像）上，完整流水线的测试准确率达到94.86%——较黑箱模型上限低约3个百分点——同时提供了完全可追踪的决策逻辑。训练后的组织学标注证实，所学习到的路由逻辑与既有血液学形态学标准一致，并在无亚型监督的情况下揭示出未成熟粒细胞亚型（早幼粒细胞与中幼粒细胞）之间的自然分离，表明基于概念的决策树能够恢复超出训练标签粒度范围、但具有临床意义的区分。
可用性与实现： 源代码、训练好的SDT权重、预计算的概念分数数据以及推理脚本可在 https://github.com/aquamarineaqua/CLIP-CBM-SoftDecisionTree 上公开获取。
作者声明不存在任何竞争性利益。
感谢您关注并传播 bioRxiv 的相关内容。
注：我们仅请求您的电子邮件地址，用于识别您作为该文章的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.14.738462v1?rss=1
🏷️ 外周血细胞分类 医学图像分析 可解释人工智能 视觉语言模型 软决策树 形态学概念