تعد نماذج التعلم العميق المعتمدة على التركيز (Attention-based Models) إحدى الطرائق الرئيسية للتنبؤ بمستويات slides في علم الأمراض الحاسوبي، ولكنها غالبًا ما تقتصر على تقديم تفسيرات محلية فقط، حيث تشير إلى المناطق التي يركز عليها النموذج دون توضيح الخصائص النسيجية التي تؤثر على توقعاته. وفي هذا السياق، تم تقديم SAGE، وهو إطار عمل مبتكر يقدم تفسيرات عالمية مدعومة بالمعاني من نموذج ABMIL المجمد. يعتمد SAGE على نموذج رؤية-لغة خاص بعلم الأمراض، حيث يقوم بتقييم أجزاء الصورة وفقًا لمجموعة من 25 مفهومًا نسيجيًا، ويدمج درجات هذه التقييمات حسب انتباه النموذج المتعلم، لتحديد مدى علاقة كل مفهوم بخطر التنبؤ عبر مجموعة المرضى.

تطبيق SAGE على التنبؤ بالنجاة باستخدام سبع مجموعات بيانات من TCGA وثلاث نماذج أساسية، أظهر استرجاع ميزات بروغرونية معروفة، مثل العلاقة السلبية مع النخر، مع الكشف عن بيولوجيا محددة للسرطان، بما في ذلك توقيع وعائي مواتٍ في سرطان خلايا الكلى يتوافق مع الأنماط الجزيئية المعروفة. وأثبتت دراسات الإزالة أن هذه الروابط تعتمد على التركيز المتعلم من النموذج وليس فقط على انتشار المفهوم، وأن معجم المفاهيم يلتقط الكثير من المعلومات البروغرونية المحفوظة في ميزات النموذج الأساسي.

من خلال تقديم تفسيرات مرتكزة على المعاني، يوفر SAGE إطارًا قابلاً للتطوير ومستقلًا عن النموذج لفهم ما تتعلمه نماذج البقاء ABMIL، وهو يتيح للأطباء فهم سلوك النموذج على مستوى المجموعة ويوفر إمكانية الكشف عن العلامات البيولوجية.