Las etiquetas automáticas son tan efectivas como las etiquetas manuales en la clasificación de imágenes de patología...

Área de la Ciencia:

• Patología digital
• Inteligencia artificial en la medicina
• Análisis de datos biomédicos

Sus antecedentes:

• Los algoritmos de aprendizaje profundo (DL) requieren grandes conjuntos de datos etiquetados para el análisis biomédico.
• El etiquetado manual de datos por parte de expertos médicos es un cuello de botella importante en el entrenamiento de modelos de DL.
• La fiabilidad de las etiquetas generadas automáticamente para la formación de DL sigue sin estar clara.

Objetivo del estudio:

• Investigar las circunstancias en las que las etiquetas generadas automáticamente pueden utilizarse para entrenar modelos DL para la clasificación de imágenes de diapositivas completas (WSI).
• Determinar el nivel aceptable de etiquetas ruidosas en conjuntos de datos automatizados antes de la degradación del rendimiento.
• Comparar la eficacia de las etiquetas automáticas con las manuales en las tareas de clasificación WSI.

Principales métodos:

• Utilizó múltiples arquitecturas DL, incluidas las redes neuronales convolucionales y los transformadores de visión.
• Modelos entrenados en 10.604 imágenes de diapositivas completas en tres casos de uso: enfermedad celíaca (binaria), cáncer de pulmón (multiclase) y cáncer de colon (multilabel).
• Evaluación del rendimiento del modelo con porcentajes variables de etiquetas ruidosas, incluidas las generadas por la herramienta de extracción de conocimiento semántico.

Principales resultados:

• Se observó una disminución del rendimiento cuando el porcentaje de etiquetas ruidosas superó el 10%.
• Los modelos entrenados con hasta un 10% de etiquetas automáticas ruidosas lograron altas puntuaciones de F1: 0.906 (enfermedad celíaca), 0.757 (cáncer de pulmón) y 0.833 (cáncer de colon).
• Las etiquetas automáticas, cuando se generan dentro del umbral de ruido del 10%, demostraron un rendimiento comparable al de las etiquetas manuales.

Conclusiones:

• El etiquetado automático es una estrategia viable y eficaz para la formación de modelos DL para la clasificación WSI, siempre que el ruido de la etiqueta se controle por debajo del 10%.
• La herramienta de extracción de conocimiento semántico puede generar etiquetas automáticas confiables adecuadas para el entrenamiento del modelo DL en patología digital.
• Esta investigación allana el camino para un desarrollo de IA más eficiente y escalable en el análisis de imágenes biomédicas.