一种针对肾小球免疫荧光图像的分类系统

1.本发明涉及医学图像处理领域。


背景技术：

2.如今，随着深度学习在图像诊断领域的广泛应用，一些研究者已经将基于深度学习的方法引入由光学显微镜获取的肾脏组织图像的诊断工作。然而，仅仅使用光学显微镜图像不足以获取确定的诊断结果，免疫荧光图像也是肾脏疾病病理诊断的最重要的资料之一。zhao等人构建了一个肾脏免疫荧光全切片图像的数据集，并使用边界框标注图像中的肾小球[1]。他们的研究证明了现有的深度学习方法在评估肾小球免疫荧光图像上的可用性，然而他们未提出关于肾小球描述性指标分类的详细方法。ligabue等人微调了预训练后的resnet-101网络来对肾小球描述性指标进行分类，这些描述性指标包括：外观、分布、位置、强度[2]。kitamura等人使用计算机软件自动建立的卷积神经网络从糖尿病肾病患者的免疫荧光图像中提取特征[3]。总的来说，大部分现有的研究没有基于肾小球免疫荧光图像的特点设计专用的图像预处理方法和分类网络，这限制了针对肾小球免疫荧光图像的自动诊断性能的提升。
[0003]
[1]zhao k,yu j,teng z,et al.dgdi:a dataset for detecting glomeruli on renal direct immunofluorescence[c]//2018digital image computing:techniques and applications(dicta).2018.
[0004]
[2]ligabue g,pollastri f,fontana f,et al.evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks[j].clinical journal of the american society of nephrology,2020,15(10).
[0005]
[3]kitamura s,takahashi k,sang y,et al.deep learning could diagnose diabetic nephropathy with renal pathological immunofluorescent images[j].diagnostics,2020,10(7):466。


技术实现要素：

[0006]
现存的深度学习模型在面对肾小球免疫荧光图像时表现不佳，主要源于以下固有的挑战：
①
肾小球免疫荧光图像分类是一种细粒度分类任务。图像的纹理和色彩的差异决定了描述性指标的类别，并且这些差异十分细微以至于难以提取；
②
荧光强度是不平衡的，由于染色操作和沉积物的位置不同，不平衡的荧光强度广泛存在于不同的图像之间以及同一张图像的不同部分之间；
③
图像中存在不同类型的噪声。残余的染料及非特异性染色将会在图像中形成混杂的噪声，这将会干扰对肾小球免疫荧光图像的观察；
④
尽管针对肾脏免疫荧光图像的特征有标准化的分类规则，分析免疫荧光图像仍然因为其复杂性和多变性而相对主观。当前该项工作对人工的高度依赖和高级病理医生的普遍缺乏进一步加剧了基层医疗机构对肾活检样本的诊断难度。而应用辅助系统，将能够显著改善识别的效率和准
确性。
[0007]
本发明技术方案为一种针对肾小球免疫荧光图像的分类系统，该系统包括：语义分割模块、强度均衡模块、分类模块、可视化模块；
[0008]
将同一张肾小球免疫荧光图像分别输入语义分割模块和强度均衡模块，进行处理后，语义分割模块和强度均衡模块的输出再输入给分类模块，分类结果通过可视化模块进行可视化；
[0009]
所述语义分割模块是进行荧光强度分类，其作用是将肾小球免疫荧光图像中肾小球以外的组织分割移除，所述强度均衡模块是进行分布形态分类，其作用是消除图像间的强度差异；分类模块结合语义分割模块和强度均衡模块的输出图像，对两个图像进行分类，分类完毕后进行可视化；
[0010]
所述分类模块采用层级特征融合注意力网络对输入图像进行分类，所述层级特征融合注意力网络包括图像依次经过的：特征提取模块、层级特征融合注意力模块、分类器，分类器输出分类结果；所述特征提取模块包括：第一到第六共6个卷积块，第一到第四卷积块都依次包括：卷积层、批标准化层、最大池化层，第一到第四卷积块中的卷积层的滤波器依次增大，第五、第六卷积块都依次包括：最大池化层和卷积层；第一到第四卷积块顺次连接，第二卷积块的输出连接第五卷积块，第三卷积块的输出连接第六卷积块；第四到第六卷积块的输出为特征提取模块的输出，所以特征提取模块包括三个输出，且这三个输出的特征图尺寸相同；
[0011]
所述层级特征融合注意力模块包括：拼接模块、分支代表性特征图计算模块、分支的重要性计算模块、特征融合注意力掩模计算模块、哈达玛积模块；所述拼接模块对特征提取模块的三个输出进行拼接后分为三路，其中第一路输入分支代表性特征图计算模块，第二路输入分支的重要性计算模块，分支代表性特征图计算模块和分支的重要性计算模块的输出输入特征融合注意力掩模计算模块，特征融合注意力掩模计算模块与拼接模块的第三路一起输入哈达玛积模块，哈达玛积模块的输出为层级特征融合注意力模块的输出。
[0012]
进一步的，所述强度均衡模块的处理方法为：
[0013]
步骤1：初始化阳性像素列表v，迭代因子n＝0；
[0014]
步骤2：设定目标强度水平k，调节因子n，阈值m，常数α；
[0015]
步骤3：提取图像中阳性像素的红、黄、蓝通道的值，并将其中的最大值和最小值的平均值添加至阳性像素列表v；阳性像素表示红、黄、蓝通道的值不全为0的像素；
[0016]
步骤4：针对图像中的所有阳性像素重复执行步骤3，每执行一次，迭代因子n递增1；
[0017]
步骤5：对阳性像素列表v降序排列，并计算列表中第《2n/n》个至第《6n/n》个元素值的总和sum，其中操作符《
·
》表示向下取整；
[0018]
步骤6：计算该图像的全局强度水平if＝αsum/(《6n/n》-《2n/n》)，并进一步；计算图像的强度水平调节系数k/if；
[0019]
步骤7：将图像的强度水平调节系数分别与像素的红、黄、蓝通道的值相乘，若相乘后的结果大于步骤2中设定的阈值m，则将结果定为m；
[0020]
步骤8：针对图像中的所有像素重复执行步骤7以得到强度均衡后的图像；
[0021]
步骤9：保存强度均衡后的图像。
[0022]
进一步的，所述分类模块中特征提取模块的三个输出都依次经过通道注意力模块和空间注意力模块后再作为特征提取模块的三个输出；所述通道注意力模块包括依次经过的：全局平均池化层和卷积层，将卷积层的输出与通道注意力模块的输入进行相乘后作为通道注意力模块的输出，空间注意力模块包括依次经过的：跨通道池化层和哈达玛积模块，跨通道池化层的输出特征与输入特征同时输入进入哈达玛积模块，哈达玛积模块的输出为空间注意力模块的输出。
[0023]
进一步的，所述分类模块中分类器为全局平均池化层和两层全连接层。
[0024]
进一步的，所述层级特征融合注意力模块中分支的重要性计算模块的处理方法为：
[0025]
步骤1：计算第k个分支输出的第i个特征图的重要性
[0026][0027]
其中gmp(
·
)表示全局最大池化操作，f
ik
代表第k个分支输出的第i个特征图；
[0028]
步骤2：计算每个分支的重要性表示bk：
[0029][0030]
其中，c是每个分支输出的通道数。
[0031]
进一步的，所述层级特征融合注意力模块中分支代表性特征图计算模块的处理方法为：
[0032][0033]
其中，rk表示分支代表性特征图。
[0034]
进一步的，所述层级特征融合注意力模块中特征融合注意力掩模计算模块的计算方法为：
[0035][0036]
其中，m表示特征融合注意力掩模。
[0037]
本发明荧光强度和分布形态的分类准确率分别达到了90.48％和90.87％。从推断时间的角度来看，系统在荧光强度分类和分布形态分类中处理每张图像分别仅需要13毫秒和12毫秒，这比初级病理医生分别需要的11.06秒和7.84秒以及独立的高级病理医生分别需要的17.14秒和18.26秒要快得多。从kappa分数的角度看，系统给出的结论与标签几乎完全一致(almost perfect)，与独立的高级病理医生给出的结论高度的一致(substantial agreement，对于荧光强度分类为0.6494，对于分布形态为0.7184)。而初级病理医生给出的结论与标签仅表现出中等的一致性(moderate agreement)，且与独立的高级病理医生给出的结论也表现为中等的一致性(对于荧光强度分类为0.5903，对于分布形态为0.5581)。独立的高级病理医生给出的结论与标签高度的一致。因此总的来说，系统的分类性能已经超过了初级病理医生，且与高级病理医生相当，这一点也反应在准确率上。
附图说明
[0038]
图1为肾小球免疫荧光图像计算机辅助诊断系统的结构框图；
[0039]
图2为hfanet的网络结构图；
[0040]
图3为通道注意力(channel attention，ca)模块和空间注意力(spatial attention，sa)模块的网络结构；
[0041]
图4为肾小球免疫荧光图像数据集中的六个样本的分类依据可视化结果图；
[0042]
图5为包含多于一种描述性指标类型的两个样本的区域热力图；
[0043]
图6为带有深监督和不带深监督的u-net++的分割效果箱线图对比图；
[0044]
图7为基于u-net++的肾小球免疫荧光图像的语义分割结果图；(a)和(b)展现了对肾小球的完美分割。(c)和(d)中的分割失误的部分主要位于低强度区域，而(e)和(f)中的分割失误的部分主要位于高强度区域。
[0045]
图8中(a)为荧光强度分类的混淆矩阵，(b)为分布形态分类的混淆矩阵。
具体实施方式
[0046]
针对肾小球免疫荧光图像提出的基于层级特征融合注意力网络(hfanet)的诊断系统如图1所示，它包括两个子系统：预处理和分类。图中红色和蓝色的箭头分别表示荧光强度(荧光强度)分类和分布形态(分布形态)分类的工作流。在预处理阶段，原始的免疫荧光图像的尺寸首先被从2560
×
1920调整为256
×
256，随后对于荧光强度分类，图像中肾小球以外的组织被使用语义分割移除。而对于分布形态分类，预处理中的语义分割被提出的强度均衡(ie)算法替代以消除图像间的强度差异。预处理后的图像被最终送入hfanet以获取分类结果。借助可视化算法grad-cam，系统可以热力图的形式给出描述性指标的分类依据，该分类依据与病理医生所惯用的分类依据一致。
[0047]
在预处理环节中，由于硬件的限制，原始图像的尺寸首先被从2560
×
1920调整为256
×
256。尽管图像压缩不可避免地会引入细节的损失，设定的目标尺寸仍然可以保证与两项分类任务相关的特征得以保留。随后，基于u-net++的语义分割算法和提出的ie算法分别被用来预处理荧光强度分类和分布形态分类的图像。
[0048]
强度均衡算法被设计用来将数据集中所有图像的荧光强度调整至相同的水平。算法的细节以伪代码的形式在算法1中给出。
[0049]
算法中的if粗略表示了原始图像的全局强度水平。ie算法通过调整每一个像素值来将一张图像的if调整至60(接近60，而不是严格等于60)，这消除了图像之间的强度差异。ie算法中涉及的参数的值通过实验获得，它们保证了所有被处理的图像有稳定且清晰的非强度特征。在本发明中，ie算法被用来处理分割数据集和分布形态分类数据集中的图像。
[0050][0051][0052]
提出的层级特征融合注意力网络(hfanet)如图2所示。图2中
⊙
表示每个通道的特征图分别与权重向量的相应元素相乘，表示权重矩阵与每个通道的特征图之间的哈达玛积。代表各个通道特征图之间的平均。gmp和gap分别代表全局最大池化操作和全局平均池化操作。
[0053]
由于像素值和纹理不涉及复杂的语义信息，因此一个浅层的卷积神经网络(cnn)更适合提取此类特征。提出了一个轻量级的cnn作为fe模块的主干，其包括4个卷积块。每个卷积块由一个3
×
3的卷积层、一个批标准化(bn)层、一个线性整流函数(relu)层、和一个最大池化层按顺序依次串联组成。4个卷积块中的滤波器数量分别为32、64、128和128。与vgg-16相比，卷积层的数量由12减少为了4，这使得它能够避免过拟合。
[0054]
不同于vgg，hfanet在分类器中选用了全局平均池化(gap)层而不是常用的全连接(fc)层，这大幅减少了网络的参数量和计算量，并且进一步减小了过拟合的风险。最终，分类结果由一个被softmax函数激活的fc层输出。
[0055]
根据实验验证，荧光强度分类任务所使用的hfanet只需将分支2和分支3在hfa模块中进行加权融合即可取得最高的分类性能。
[0056]
使用可视化算法grad-cam可视化hfanet的决策依据(能够导出类别的特征)是一种确认系统可以科学工作的简单方法。系统生成的热力图不仅能够为临床医生的诊断提供参考，还能够在医学训练中提供指导。如图4所示，从左至右，对应于水平ⅱ、水平ⅲ、水平ⅳ、粗颗粒状、细颗粒状、线样的六个肾小球免疫荧光图像样本被展示出来。全部六个样本均来自测试集并被系统正确分类。水平ⅰ的样本因为其极低的荧光强度而没有展示出来。热力图中更红的区域表示分类网络决策过程中更加关注的区域，更蓝的区域表示关注度更少的区域。第一行中的黄色的线标示出了高级病理医生在进行类别判断时所关注的关键区域。第二行展示了从原始图像(仅压缩)训练的主干网络中获取的热力图，而第三和第四行则分别展示了经恰当预处理的图像所训练的cabnet和hfanet给出的热力图。每张热力图对应的cfrr值被标注于热力图的下方。
[0057]
从定性的角度看，的系统提供的热力图与高级病理医生标注的结果相似，这意味着hfanet基于恰当的特征做出了正确的判断。
[0058]
定量分析进一步证明了上述结论。受一种衡量动力学物理中的非线性系统稳定性的指标的启发，设计了一种名为分类特征查全率(classification feature recall ratio，cfrr)的指标。cfrr可以评估模型分类时聚焦的特征的充分性，其按照如下方式进行计算：
[0059][0060][0061]
其中，h(
·
)表示grad-cam输出的权重矩阵，其元素h(i，j)表示在分类过程中位于图像中(i，j)位置处的像素的受关注程度(取值范围从0到1)。δ(
·
)代表阈值为0.2的二值化操作，大于0.2的值被设定为1，而小于0.2的值被设定为0。二值化操作的目的是滤除模型关注度很低的像素。a为高级病理医生人工标注的关注区域，a区域中的所有像素值均被设定为了1.事实上，cfrr揭示了同时被模型和病理医生选中的区域的面积与病理医生选中的区域的面积的比值。
[0062]
如图4中的六个样本所示，使用hfanet时的cfrr值均高于使用主干和cabnet时的cfcc值，这证明了hfanet在可解释性方面的有优势。
[0063]
对于具有多种类别的图像，如图5所示(上方的样本来自荧光强度分类任务，下方的样本来自分布形态分类任务)，hfanet也能够标示出不同类别的对应区域。这种对应于某一类别的区域热力图能够协助病理医生区分复杂图像中的类别分布，并且能够为医学训练阶段的学生指示不同类别间的差异。
[0064]
1执行细节
[0065]
对于语义分割，选用adam优化器并将学习率设定为3
×
10-4
。为了防止过拟合，引入早停机制来监控模型输出的二值准确率。如下式所示的混合分割损失被选为分割任务的损失函数，它由像素级的交叉熵损失函数和软dice系数损失函数组成。当迭代获得的模型在验证集上取得最高的二值准确率时，该模型将被保存。
[0066][0067]
其中，g
n，c
∈g及p
n，c
∈p分别表示一个批次中的第n个像素类别为c的标签和预测概率，n代表一个批次中的像素数量。
[0068]
对于分类，选用rmsprop优化器并将分类交叉熵选定为损失函数。学习率的初始值设定为0.01，该值将在迭代过程中以0.8的衰减因子进行衰减。
[0069]
所有的实验均在以tensorflow为后端的keras框架下执行。为了进一步增加训练样本数量和提高模型的泛化性能，数据增强技术被用于生成更多的训练样本，该技术通过多种随机变换来产生看起来可信的图像。使用拥有11gb显存的英伟达geforce gtx 1080ti来执行所有的实验。完整的执行细节被列于表1中。
[0070]
表1语义分割和分类的执行细节
[0071][0072]
*
学习率.
[0073]
2评价指标
[0074]
在生物医学领域，dice相似系数(dice similarity coefficient，dice)和交并比(intersection over union，iou)常常被作为评估分割效果的指标。考虑到肾小球免疫荧光图像主要通过像素的强度来传递信息，强度更高的像素往往更加重要。因此，将图像中的所有像素同等对待是不客观的。提出了一种专门用于评价肾小球免疫荧光图像分割视觉效果的评价指标dice-if如下：
[0075][0076]
其中，p表示分割结果，g代表人工绘制的标签。|
·
|表示计数函数，它计算图像中非零像素的数量。v代表一个尺寸为256
×
256的权重矩阵，操作符表示哈达玛积。免疫荧光图像的颜色空间首先被从rgb(红、绿、蓝空间)调整为hsv(色调、饱和度、明度空间)。hsv空间中的明度通道被选为中间矩阵v
′
，通过将v
′
除以其所有元素的平均值即可得到dice-if计算所需的权重矩阵v。
[0077]
v中的元素代表相应空间位置处的像素的强度水平。由于一个像素的重要性正相关于它的强度水平，v也能被视为图像中像素的重要性矩阵。与传统的评价指标dice和iou相比，参数v的加入使得dice-if在评价分割的视觉效果时更加高效和恰当。
[0078]
总得来说，在本论文中，dice、iou和dice-if被选为分割的评价指标，而准确率和
kappa分数被选为分类的评价指标。
[0079]
3对比实验和消融研究
[0080]
3.1语义分割
[0081]
fcn、u-net和u-net++均是从肾小球免疫荧光图像中提取肾小球区域的可选模型。如表2所示，在分割数据集上训练了四个模型(根据u-net++是否含有深监督结构分别训练了两个模型)。为保证公平性，resnet-101被选为所有分割模型的主干网络。分割数据集包括ie算法处理后的数据集和未经ie算法处理的数据集。
[0082]
表2不同语义分割模型的分割结果对比
[0083][0084]1每次迭代的训练时间开销(秒/迭代).
[0085]2参数数量.
[0086]3模型训练时的显存占用情况
[0087]
测试结果显示，在数据集经ie算法处理的情况下，带有深监督结构的u-net++获得了最佳的分割性能，其中dice、iou、dice-if的平均值分别为93.47％、88.09％、95.10％。由表2可知，与其他经典的分割模型相比，u-net++是最适合肾小球免疫荧光分割任务的模型。同时，所提出的ie算法能够仅仅通过简单的像素操作实现对图像中特征的增强，并在略微增加计算量的情况下大幅提高分割性能。由于参数量的增加，u-net++每次迭代的训练时间开销多于u-net和fcn。深监督结构的加入略微减少了u-net++的训练时间开销，但会因为其多重输出的特性显著增加训练时的显存占用量。
[0088]
图6显示dice、iou和dice-if的平均值和上四分位数在深监督结构加入后均获得了一致的提升，这表明深监督有助于肾小球免疫荧光图像的分割。三项指标的离群值也在使用深监督后获得了提升，这进一步表明了深监督对于难分割样本的分割具有积极作用。
[0089]
图7中给出了六个典型的分割结果，它们说明了dice-if在评估分割的可视化效果时的灵活性和客观性。事实上，分割不佳的结果可以被分为两种类型。一种是分割失误发生在低强度区域(阴性区域)，例如图7(c)和(d)。由于免疫复合沉积物的阴性区域一般不作为诊断肾脏疾病的依据，发生在此区域的失误是可以被容忍的。对于此类分割失误对应的两个样本，dice-if的值相较于dice和iou的值有所提升。
[0090]
除此之外，另一种分割失误的类型为分割失误发生在高强度区域，例如图7(e)和(f)。这种类型的失误表现为不完整的肾小球提取和引入强度干扰。由于病理医生和分类cnn都对高强度区域敏感，这种失误不能被容忍。对于此类分割失误对应的两个样本，dice-if的值相较于dice和iou的值有所下降。
[0091]
至于完美的分割样本图7(a)和(b)，dice-if基本与传统的dice和iou保持一致，这展现出dice-if也继承了传统指标的特点。
[0092]
3.2分类
[0093]
荧光强度分类和分布形态分类是实现肾小球免疫荧光图像计算机辅助诊断系统的最后但也是最核心的步骤。
[0094]
表3不同的特征融合参数的分类性能
[0095][0096]1融合时的特征图尺寸
[0097]2分支的数量
[0098]
如表3所示，融合时的特征图尺寸和分支的数量被设置为不同值以寻找hfanet的最佳参数。当融合尺寸大于某一卷积块的输出尺寸时，相应分支中的最大池化层将被替换为上采样层。当分支数量被设定为2时，只有图2中的分支2和分支3输出的特征图被融合。实验结果显示，对于荧光强度分类和分布形态分类，融合尺寸均应设置为16
×
16，分支数量应当分别设定为2和3.
[0099]
表4特征融合和hfa模块的消融研究。表中省略了分类器.
[0100][0101]1fe模块的主干，其不包括分支结构
[0102]2同时包含主干和分支结构的fe模块
[0103]3层级特征融合注意力(hierarchical feature fusion attention，hfa)模
[0104]
块
[0105]
表4展示的消融研究揭示了特征融合和hfa模块在提升分类性能上的显著作用。fe
模块的参数根据表3中给出的结论进行设定。通过直接拼接分支的输出所获得的分类性能相较于只使用主干网络大幅提升。然而将直接拼接改换为hfa模块能够进一步提升分类性能。由于在分布形态分类中更多的分支被使用，分布形态分类的参数量和训练时间开销都多于荧光强度分类。
[0106]
表5 hfanet中的ca模块和sa模块的消融研究结果
[0107][0108]1即完整的hfanet
[0109]
对于hfanet，ca模块和sa模块被放置于有关分支的末尾以增强特征提取能力。表5中的消融研究结果揭示了ca和sa在hfanet中的重要性。具体来说，除非来自不同层级的特征图首先被分支中的ca或sa模块加权，否则单独使用hfa模块无法带来较高的分类性能。然而不论如何，在相关分支的末尾依次串联添加ca模块和sa模块无疑是最佳的选择。
[0110]
vgg-16、mobilenetv2、resnet-50、densenet-121、cabnet及hfanet均是完成分类任务的可选结构。通过模块组合形式的消融研究以及结构之间的对比实验，分析了每个模块的有效性并探究了最适合两项分类任务的网络结构。将提出的轻量级cnn称为基线，该网络亦被用作cabnet和hfanet的主干。
[0111]
表6荧光强度和分布形态分类的消融研究结果
[0112][0113]1图像经基于u-net++的语义分割处理
[0114]
荧光强度分类的测试结果如表6上半部分所示。hfanet在分割后的数据集上取得了最高的准确率和kappa分数，它们分别为90.48％和0.8730.基于u-net++的语义分割排除了来自肾小球以外的被染色组织的干扰，将视野聚焦到了肾小球；置于相关分支中的ca和sa模块强调了不同层级的特征图中的关键特征，而hfa模块进一步引导网络关注对于分类有益的层级和区域。混淆矩阵如图8(a)所示。可以发现，所有的预测失误均发生在相邻的荧
光水平。临床上，高级病理医生也会在相邻的荧光水平间犹豫不定。事实上，如此细微的偏差不会影响肾脏疾病的诊断，这对于系统和病理医生来说都是成立的。
[0115]
分布形态分类的测试结果如表6的下半部分所示。使用仅仅通过ie算法处理的数据集，由hfanet取得的准确率和kappa分数分别为90.87％和0.8525，这是所取得的最高性能。在此任务下的消融研究表明，基线的准确率为74.78％，当分别单独改用hfanet和添加ie算法的情况下，准确率分别提升至81.30％和86.96％。同时使用hfanet和ie算法进一步使得准确率达到90.87％。然而，如果在同时使用hfanet和ie算法的基础上进一步加入了语义分割，分类准确率将会由90.87％降至83.91％。因此hfanet结合ie算法在提升分布形态分类性能方面有积极作用，而语义分割却不是这样。混淆矩阵如图8(b)所示。误分类主要发生在细颗粒状和线样图像之间，而粗颗粒状极少被误分类。
[0116]
表7 hfanet及常用的分类网络在肾小球免疫荧光图像数据集上的分类性能比较
[0117][0118]
如表7所示，当与恰当的预处理方法相结合时，hfanet能够获得比其他种类网络更高的分类性能。与vgg-16、mobilenetv2、resnet-50、densenet-121、cabnet相比，hfanet以其极小的体量获得了最佳的分类性能。cabnet在主干后顺序连接了ca模块、sa模块和类别注意力模块以提升模型的分类性能和可解释性。与cabnet相比，hfanet在可训练参数略多的情况下获得了更佳的分类性能和可解释性。