Тепловая карта и точность результатов моделей классификации медицинских изображений
tech-stories weakly-supervised-learning tumor-detection-ai digital-pathology attention-mil deep-learning-in-oncology amil-vs-admil medical-ai-interpretability wsi-preprocessing

Тепловая карта и точность результатов моделей классификации медицинских изображений

18 июля 2025 г.

Аннотация и I. Введение

  1. Материалы и методы

    2.1. Несколько экземпляров обучения

    2.2. Модель архитектуры

  2. Результаты

    3.1. Методы обучения

    3.2. Наборы данных

    3.3. WSI предварительно обработайте трубопровод

    3.4. Результаты классификации и обнаружения ROI

  3. Дискуссия

    4.1. Задача обнаружения опухоли

    4.2. Задача обнаружения мутаций генов

  4. Выводы

  5. Благодарности

  6. Авторская декларация и ссылки

3.4. Результаты классификации и обнаружения ROI

В этом разделе мы представляем результаты, полученные для наших задач классификации, а также некоторые примеры ROI, произведенных моделями. После тонкой настройки мы выполнили для каждой модели, задачи и уровня увеличения пять независимых прогонов, где наборы данных были случайным образом разделены с разными семенами. В таблицах 1 и 2 отображаются среднее и стандартное отклонение областей под кривыми (AUCS), полученных в тестовом наборе для этих пяти прогонов. Мы также представляем графики, отображающие кривые ROC одного из этих прогонов для каждой модели, задачи и увеличения.

В таблице 1 показаны результаты AUC для задачи обнаружения опухоли при увеличении 5x. На рисунке 7 показан пример тепловых карт, полученных для задачи обнаружения опухоли в слайде на том же уровне увеличения. В таблице 2 представлена задача обнаружения мутации гена, которые приводит к результатам на уровнях увеличения 5x, 10x и 20x. На рисунках 8 и 9 представлены примеры тепловых карт, полученных для задачи обнаружения мутаций гена из пятен увеличения 10x и 20x. Из -за плохих результатов классификации, полученных при увеличении 5X, мы не включили тепловые карты с этого уровня, поскольку мы пришли к выводу, что они не будут значимыми.

Для модели AMIL мы имеем только оценки внимания, соответствующие пятнам, которые считались наиболее актуальными для окончательного прогноза. Что касается оригинальной Admil и нашей версии, у нас есть оценки внимания к патчу, полученные по сложу внимания, а также результаты возбуждающих и ингибирующих патч, которые указывают на положительный и отрицательный вклад для окончательного прогноза, соответственно. Эти окончательные оценки были переданы через сигмоид для масштабирования логитов до значений от 0 до 1, где значения в интервале] 0, 0,5 [указывает на отрицательный вклад и значения в [0,5, 1 [положительный вклад. В случае внимания тепловые карты мы показываем непрерывную коллегу. Для ингибирующих/возбуждающих оценок мы используем только два цвета, один для возбуждающих пятен (красный) и другие для ингибирующих пятен (синий).

Table 1: Models’ Performance on the tumor detection task. After fine-tuning, we performed the external validation on the test set five times for each model and calculated the average AUC of those 5 runs. The original architecture of AMIL obtained the best performance, followed by our version of AdMIL.

Table 2: Models’ Performance for the gene mutation detection task for the three magnification levels explored (5x, 10x and 20x). After fine-tuning, we performed the external validation on the test set five times for each model and calculated the average AUC of those five runs. The AMIL architecture always obtained the best performance. In general, the models obtained a better performance for higher magnification levels, with our version of AdMIL obtaining a better performance than the original at magnification level 20x.

Авторы:

(1) Мармим Афонсо, институт Superior Técnico, Universidade de Lisboa, Av. Ровиско Паис, Лиссабон, 1049-001, Португалия;

(2) Praphulla M.S. Bhawsar, Отдел эпидемиологии и генетики рака, Национальный институт рака, Национальный институт здравоохранения, Bethesda, 20850, штат Мэриленд, США;

(3) Monjoy Saha, Отделение эпидемиологии и генетики рака, Национальный институт рака, Национальный институт здравоохранения, Bethesda, 20850, штат Мэриленд, США;

(4) Джонас С. Алмейда, Отделение эпидемиологии и генетики рака, Национальный институт рака, Национальный институт здравоохранения, Бетесда, 20850, штат Мэриленд, США;

(5) Арлиндо Л. Оливейра, Институт Верхний Течнико, Университет де Лисбоа, ав. Rovisco Pais, Лиссабон, 1049-001, Португалия и INESC-ID, R. Alves Redol 9, Lisbon, 1000-029, Португалия.

Эта статья естьДоступно на Arxivв соответствии с CC по 4.0 Deed (Attribution 4.0 International) лицензия.

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE