Task-agnostic explainable contrastive learning model for malignant cell detection in urine cytology.

چکیده اصلی

Bladder cancer remains one of the most prevalent urological malignancies, where early detection is critical for improving patient outcomes. Urine cytology provides a non-invasive and cost-effective screening modality; however, the development of automated diagnostic systems is challenged by the scarcity of expert-annotated data and the limited interpretability of deep learning models. To address these challenges, we propose EnBCDet, an explainable self-supervised framework for malignant cell detection in urine cytology images. The proposed approach leverages contrastive self-supervised learning to learn discriminative cytological representations from limited annotations and incorporates a specialized backbone within a single-stage object detection architecture for efficient malignant cell localization. In addition, we introduce a novel entropy-based explanation framework that quantitatively evaluates the information content of activation maps, enabling gradient-free, class-agnostic, and task-independent interpretation of learned feature representations. Experimental evaluation on cytological samples collected from 150 individuals demonstrates that EnBCDet outperforms existing approaches, achieving a mean precision of 0.991 and a mean recall of 0.926 while maintaining computational efficiency. Clinical validation further shows over 90% agreement with expert annotations, highlighting the practical utility of the proposed system. To the best of our knowledge, this is among the first studies to systematically interpret encoder-level representations in self-supervised cytological analysis. The proposed entropy-based framework provides robust insights into backbone feature learning, advancing both diagnostic performance and explainability for computer-aided urine cytology. The analysis code supporting this study is publicly available on GitHub at.

ترجمه فارسی چکیده

سرطان مثانه یکی از شایع‌ترین سرطان‌های اورولوژیک است که تشخیص زودهنگام برای بهبود نتایج بیماران حیاتی است. سیتولوژی ادرار روشی غیرتهاجمی و مقرون‌به‌صرفه برای غربالگری است، اما توسعه سیستم‌های تشخیصی خودکار با کمبود داده‌های برچسب‌گذاری شده توسط متخصص و محدودیت در قابلیت تفسیر مدل‌های یادگیری عمیق چالش‌برانگیز است. برای حل این چالش‌ها، ما EnBCDet را پیشنهاد می‌کنیم، یک چارچوب خودنظارتی قابل توضیح برای تشخیص سلول‌های بدخیم در تصاویر سیتولوژی ادرار. این رویکرد از یادگیری تطبیقی خودنظارتی برای یادگیری ویژگی‌های سیتولوژیک تمیز از برچسب‌های محدود استفاده می‌کند و یک باس‌باند تخصصی را در یک معماری تشخیص شیء تک‌مرحله‌ای برای موقعیت‌یابی کارآمد سلول‌های بدخیم ادغام می‌کند. علاوه بر این، یک چارچوب توضیح مبتنی بر آنتروپی جدید معرفی می‌کنیم که محتوای اطلاعاتی نقشه‌های فعال‌سازی را به صورت کمی ارزیابی می‌کند و تفسیر بدون گرادیان، مستقل از کلاس و مستقل از وظیفه از ویژگی‌های یادگرفته شده را ممکن می‌سازد. ارزیابی تجربی بر روی نمونه‌های سیتولوژیک جمع‌آوری شده از ۱۵۰ فرد نشان می‌دهد که EnBCDet عملکرد بهتری نسبت به روش‌های موجود دارد و میانگین دقت ۰.۹۹۱ و میانگین یادآوری ۰.۹۲۶ را به دست می‌آورد در حالی که کارایی محاسباتی را حفظ می‌کند. اعتبارسنجی بالینی همچنین بیش از ۹۰٪ توافق با برچسب‌های متخصص را نشان می‌دهد. بهترین دانش ما، این یکی از اولین مطالعات است که به طور سیستماتیک نماینده‌های سطح کدگذار را در تحلیل سیتولوژیک خودنظارتی تفسیر می‌کند. چارچوب مبتنی بر آنتروپی پیشنهادی بینش‌های قوی‌ایی در مورد یادگیری ویژگی‌های باس‌باند ارائه می‌دهد و هم عملکرد تشخیصی و هم قابلیت تفسیر برای سیتولوژی ادرار کمکی به کامپیوتر را پیشرفت می‌دهد.

متن کامل اصلی