Neues Deep-Learning-Modell liefert erklärbare Krebs-Subtypen aus Pathologie-WSIs

In der Pathologie werden Deep‑Learning‑Modelle zunehmend eingesetzt, um ganze Bildschichten (WSIs) zu analysieren. Doch bisher beschränken sich die meisten Ansätze darauf, die wichtigsten Bildregionen erst nach der Vorhersage zu markieren, was die Nachvollziehbarkeit der Ergebnisse stark limitiert.

Das neue Konzept „Phenotype‑Aware Multiple Instance Learning“ (PA‑MIL) löst dieses Problem, indem es bereits im Lernprozess krankheitsrelevante Phänotypen erkennt und diese gezielt für die Krebs‑Subtypisierung nutzt. Dadurch entsteht ein Modell, das von vornherein erklärbar ist.

PA‑MIL greift auf drei zentrale Bausteine zurück: Erstens wird eine Phänotyp‑Wissensdatenbank aufgebaut, die bekannte Krebs‑Phänotypen mit ihren zugehörigen Genotypen verknüpft. Zweitens werden die morphologischen Beschreibungen dieser Phänotypen als sprachliche Prompting‑Anweisungen genutzt, um relevante Merkmale zu aggregieren. Drittens kommt das Genotype‑to‑Phenotype Neural Network (GP‑NN) zum Einsatz, das auf den Beziehungen zwischen Genen und Phänotypen basiert und dem Lernprozess mehrschichtige Orientierung gibt.

Experimentelle Tests auf mehreren Datensätzen zeigen, dass PA‑MIL nicht nur mit bestehenden MIL‑Methoden konkurriert, sondern gleichzeitig eine deutlich verbesserte Interpretierbarkeit bietet. Durch die Nutzung von Phänotyp‑Salienz als Evidenz und einen linearen Klassifikator erzielt das Modell Ergebnisse, die mit den führenden Ansätzen vergleichbar sind. Zusätzlich werden die Genotype‑Phänotyp‑Beziehungen sowie die Interpretierbarkeit auf Kohorten‑ und Fallebene eingehend analysiert, was die Zuverlässigkeit und Verantwortlichkeit von PA‑MIL unterstreicht.