Journal of Babol University of Medical Sciences

en بهبود قابلیت تفسیر در تشخیص سرطان دهانه رحم: اصلاح نقشه حرارتی مبتنی بر هندسه از طریق جریان Ricci در مجموعه داده سیپاکمِد Enhancing the Interpretability of Cervical Cancer Diagnosis: Refining Geometry-Based Heatmaps Using Ricci Flow on the SIPaKMeD Dataset زنان و زایمان Obstetrics and Gynecology كاربردي Applicable <h4 dir="rtl" style="line-height: 1.38; margin-top: 16px; margin-bottom: 3px; text-align: justify;">سابقه و هدف: تشخیص سرطان دهانه رحم با استفاده از ابزارهای تشخیصی دقیق و قابل تفسیر می‌توانند به طور چشمگیری نتایج بالینی را بهبود بخشند. روش‌های موجود برای تبیین پذیری (مانند Grad-CAM)، بینش‌های بصری درباره پیش بینی‌های مدل ارائه می‌دهند، اما اغلب در برجسته سازی مناطق مرتبط با تشخیص، دقت کافی را ندارند. برای رفع این مسئله، ما جریان ریچی (Ricci Flow) را در فرآیند محاسبه گرادیان ادغام کردیم تا ساختار هندسی نقشه‌های حرارتی (Heatmaps) را اصلاح و قابلیت تفسیر آن‌ها را افزایش دهیم. مواد و روش‌ها: در این مطالعه روش شناختی، مجموعه داده SIPaKMeD متشکل از پنج دسته تصاویر اسمیر دهانه رحم (4049 تصویر)، پیش پردازش و افزایش داده شد تا عدم تعادل کلاس‌ ها رفع و یکنواختی تصاویر تضمین شود. یک مدل ResNet50 با آموزش روی این مجموعه داده به مدت 40 دوره (epoch) با استفاده از مجموعه‌های متعادل از تصاویر تماماسلاید (whole-slide) توسعه یافت. جریان ریچی بر ماتریس گرادیان اعمال شد که به عنوان یک تانسور ریمانی تفسیر گردید تا هندسه فضای گرادیان را به صورت تکراری هموار و اصلاح کند. کیفیت نقشه‌های حرارتی از طریق مقایسه نظارت شده با تصاویر برش خورده سلولی و محاسبه معیارهای درج (Insertion) و حذف (Deletion) ارزیابی شد تا همترازی نقشه‌های حرارتی با مناطق بحرانی تشخیصی سنجیده شود. یافته‌ها: روش Grad-CAM بهبود یافته با جریان ریچی، عملکرد بهتری نسبت به Grad-CAM استاندارد نشان داد و به مقادیرAUC 0.671 در معیار درج و AUC 0.153 در معیار حذف دست یافت. نقشه‌های حرارتی اصلاح شده به طور پیوسته تمرکز دقیق‌تری بر مناطق مهم تشخیصی داشتند و بیش از 90% همخوانی با حاشیه نویسی‌های متخصصان نشان دادند. علاوه بر این، روش مبتنی بر جریان ریچی، درک هندسی عمیق‌تری از فضای ویژگی ارائه داد و مناطق حیاتی برای طبقه بندی را پررنگ‌تر کرد. نتیجه‌گیری: نتایج مطالعه نشان داد که ادغام جریان ریچی در Grad-CAM، با استفاده از هموارسازی هندسی، قابلیت تفسیر نقشه‌های حرارتی را افزایش می‌دهد و رویکردی نوین در حوزه هوش مصنوعی تبیین پذیر (XAI) برای تشخیص سرطان دهانه رحم ارائه می‌کند. این روش نه تنها دقت مدل را بهبود می‌بخشد، بلکه با فرضیه تغییر توپولوژی داده‌ها توسط شبکه‌های عصبی در طول آموزش همسو است.  </h4> <div style="text-align: justify;">Background and Objective: Cervical cancer detection is a critical task where accurate and interpretable diagnostic tools can significantly enhance clinical outcomes. Existing explainability methods, such as Grad-CAM, provide visual insights into model predictions but often lack precision in highlighting diagnostically relevant regions. To address this, we integrated Ricci Flow into the gradient computation process, aiming to refine the geometric structure of heatmaps and improve their interpretability. Methods: In this methodological study, The SIPaKMeD dataset, comprising five categories of cervical smear images (4049 images), was preprocessed and augmented to address the class imbalance and ensure uniformity. A ResNet50 model was trained on the dataset for 40 epochs using a balanced set of whole-slide images. Ricci Flow was applied to the gradient matrix, interpreted as a Riemannian tensor, to iteratively smooth and refine the geometry of the gradient space. Heatmap quality was evaluated through supervised comparison with cropped cell images and by computing insertion and deletion metrics to quantify the alignment of heatmaps with diagnostically critical regions. Findings: The Ricci Flow-enhanced Grad-CAM outperformed the standard Grad-CAM, achieving an insertion AUC of 0.671 and a deletion AUC of 0.153. The refined heatmaps consistently demonstrated a sharper focus on diagnostically important regions, with over 90 percent alignment with expert annotations. Additionally, the Ricci Flow-based method provided a deeper geometric understanding of the feature space, emphasizing the region’s most critical for classification. Conclusion: The integration of Ricci Flow into Grad-CAM enhances heatmap interpretability by leveraging geometric smoothing, offering a novel approach to explainable AI in cervical cancer detection. This method not only improves model precision but also aligns with the hypothesis that neural networks transform data topology during training.  </div> جریان ریچی, هوش مصنوعی توضیح‌پذیر, نئوپلاسم‌های دهانه رحم, تفسیرپذیری نقشه حرارتی, مجموعه داده SIPaKMeD, یادگیری عمیق Ricci Flow, Explainable AI, Uterine Cervical Neoplasms, Heatmap Interpretability, SIPaKMeD Dataset, Deep Learning. 0 0 http://jbums.org/browse.php?a_code=A-10-8419-1&slc_lang=en&sid=1 F Abbasi Varaki فرحان عباسی ورکی farhanabbasip7@gmail.com 100319475328460071059 100319475328460071059 Yes 1.School of Medicine, Iran University of Medical Sciences, Tehran, I.R.Iran. 1. دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران A Ariyaei Motahar علی آریایی مطهر ali.ariyaeimotahar.md@gmail.com 100319475328460071060 0009-0008-8253-5709 No 1.School of Medicine, Iran University of Medical Sciences, Tehran, I.R.Iran. 1. دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران M Mohammadian Amiri مهدیس محمدیان امیری Amiri_mahdis@yahoo.com 100319475328460071061 100319475328460071061 No 2.Shahid Akbarabadi Clinical Research Development Unit (ShACRDU), Iran University of Medical Sciences, Tehran, I.R.Iran. مرکز توسعه تحقیقات بالینی شهید اکبرآبادی، دانشگاه علوم پزشکی ایران، تهران، ایران.