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.