摘要
深度学习模型能够有效利用快速蒸发离子化质谱（REIMS）数据进行手术边缘评估。然而，由于对手术室条件的有限泛化能力，其临床应用面临挑战。这一困难源于模型通常是在从切除组织样本收集的标记光谱上进行训练，而它们必须在手术期间直接从噪声和未标记的数据中运行。此外，深度学习模型的黑箱特性使得理解和系统性改进其行为变得困难。概念驱动学习为解决这些挑战提供了一种有前景的方法，通过将原始测量映射到人类可理解的概念。然而，监督的概念驱动方法依赖于概念注释，而在复杂的质谱工作流程中，这些注释难以获得。
我们提出了代理引导的概念发现框架，它无需预定义的概念标签即可直接从数据中学习有意义的概念。在训练过程中，推理代理会细化所学习概念的语义描述，并根据诊断相关性自适应调整其权重。这些概念进一步通过生化知识图谱进行基础化，以确保与已知的代谢关系一致。在皮肤癌和乳腺癌数据集上，我们的模型在平衡准确率和敏感性方面优于基线。在一个代表性的手术案例中，它显示出更少的假阳性，表明对手术条件的更好泛化能力。
博主点评： 本文提出的代理引导概念发现框架通过不依赖于预定义标签，解决了深度学习在手术边缘评估中的黑箱问题，展现了深度学习与生化知识图谱结合的潜力，值得在实际医疗场景中深入研究与应用。