Как модели ИИ переосмысливают обнаружение опухоли на уровне ткани
18 июля 2025 г.Таблица ссылок
Аннотация и I. Введение
Материалы и методы
2.1. Несколько экземпляров обучения
2.2. Модель архитектуры
Результаты
3.1. Методы обучения
3.2. Наборы данных
3.3. WSI предварительно обработайте трубопровод
3.4. Результаты классификации и обнаружения ROI
Дискуссия
4.1. Задача обнаружения опухоли
4.2. Задача обнаружения мутаций генов
Выводы
Благодарности
Авторская декларация и ссылки
4. Обсуждение
4.1. Задача обнаружения опухоли
Модели, выполняемые наравне с современным искусством для этой задачи, с точки зрения их способности правильно классифицировать WSI с значениями AUC выше 0,9 (таблица 1). В оригинальной статье [7] использовались два набора данных изображений H & E: набор данных рака молочной железы и набор данных рака толстой кишки. Сравнивая наши результаты с показанными в этой работе, мы получили значительно лучшие результаты, чем первые и аналогичные результаты со вторым. Однако следует отметить, что эти наборы данных не только
от другого типа рака, но также состоит из пятен в виде мешков, а не слайдов. Другие работы использовали архитектуру Amil и собственные вариации с наборами данных, состоящими из плиток при более высоких увеличениях [11, 20]. В целом, мы получили лучшую AUC, чем предыдущая работа, которая подтверждает тот факт, что увеличение в 5 раз может быть адекватным для выявления опухолей.
Учитывая, что набор данных, который мы использовали, имели только слайды флэш-морозен, что он представлял некоторые артефакты, и что он включал различные проценты опухолей, мы можем предположить, что модели научились отличать не связанные с факторы от опухолей, присутствующих на изображениях. Более того, эти результаты были получены из плиток при увеличении 5 -кратного увеличения, уровня, который отображает ткани, но не клетки. Это подтверждает гипотезу о том, что, как и патологи, модели могут научиться идентифицировать слайды опухолей на уровне ткани. Это также показывает, что сама по себе задача может быть недостаточно сложной задачей, и изучение более высоких увеличений не значительно улучшит способность классификации слайдов. Это было связано с этими результатами и тем фактом, что это наиболее распространенный уровень, используемый для обнаружения опухоли патологами, мы не изучали дальнейшие уровни увеличения для этой задачи.
Анализируя полученные оценки внимания, мы наблюдали, что как архитектура AMIL (рис. Такое поведение может быть особенно важным, если области опухоли (или желаемые ROI) кажутся более разбросанными. С другой стороны, для морфологий, которые обычно более сфокусированы на конкретном патче, слой внимания от исходного Admil может быть предпочтительным.
С другой стороны, при анализе возбуждающих/ингибирующих баллов, полученных в рамках аддитивного MIL, оценки, полученные оригинальной моделью Admil, как правило, являются положительными для большинства пятен (рис. Такое поведение наблюдалось для большинства слайдов. Поскольку единственной разницей в архитектуре моделей является их слои внимания, мы заключаем, что более редкие оценки внимания, как правило, заставляют классификатор экземпляра рассматривать только небольшое подмножество пятен как возбуждающие. В зависимости от результатов, полученных в результате будущей оценки актуальности тепловых карт, это может подтвердить гипотезу о том, что оценки внимания не обязательно подчеркивают желаемые рентабельность и могут быть недостаточно для значимой живописи WSI.
Также интересно заметить, что оценки внимания AMIL, как правило, больше фокусируются на краях ткани (рис. 7 (б)). Это может означать, что опухоль присутствует в границах ткани, но она может также выявить некоторую смещение в модели для участков, которые включают некоторый процент фона. Из-за используемого увеличения и переломов, которые появляются на слайдах флеш-замороженных, было значительное количество пятен, которые содержали фон, по сравнению с более высокими увеличениями, и возможно, что это обусловлено способностью к обучению модели.
Дальнейшая оценка обнаружения ROI должна быть проведена, особенно качественная оценка полученных тепловых карт. Нам понадобится помощь патологов, чтобы подтвердить, что оценки патчей, которые получают эти модели, являются показателями областей опухоли. Кроме того, в то время как модель AMIL показала немного лучшего AUC, чем другие модели, это не обязательно означает, что ее тепловые карты более актуальны или полезны для патологов. Оценки патчей, полученные из двух других моделей, из -за их ингибирующей/возбуждающей природы, могут дать большее понимание присутствия опухоли на слайдах. Из-за ограничений по времени и несуществующих тепловых карт наземной истины эта оценка остается в будущей работе.
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 есть
Оригинал