Enjambre de modelos guiado por similitud: mejora del aprendizaje semi-supervisado en patología computacional

Área de la Ciencia:

• Patología computacional
• Patología digital
• Aprendizaje automático en medicina

Sus antecedentes:

• La anotación a nivel de píxel de alta precisión es un cuello de botella importante en la patología computacional, que exige mucho tiempo y la intervención de expertos.
• El aprendizaje semi-supervisado (SSL) ofrece una solución al utilizar datos sin etiquetar, pero los métodos existentes a menudo descuidan las similitudes cruciales entre casos para un pseudoetiquetado preciso.

Objetivo del estudio:

• Presentar un nuevo marco SSL Swarm-of-Models (S-o-M) diseñado para mejorar la fiabilidad del pseudoetiquetado para tareas de segmentación semántica.
• Mejorar la precisión y la eficiencia de los modelos de patología computacional incorporando similitudes entre casos.

Principales métodos:

• Se desarrolló un marco SSL Swarm-of-Models (S-o-M) que selecciona dinámicamente modelos especializados "expertos en morfología" basándose en la similitud de imágenes.
• Se aplicó el marco a imágenes de porta completas (WSIs) para la segmentación semántica, centrándose en mejorar la generación de pseudoetiquetas.

Principales resultados:

• El marco S-o-M demostró un rendimiento superior en comparación con los métodos supervisados y semi-supervisados tradicionales en un gran conjunto de datos colorrectales internacionales.
• Se lograron mejoras en las puntuaciones de Dice: 3,6% para la segmentación de tumores y 2,1% para la segmentación de tumores/estroma tumoral.
• Los estudios de ablación confirmaron la robustez del marco en diversas condiciones de datos y escenarios de entrenamiento monohospitalarios.

Conclusiones:

• El marco SSL S-o-M propuesto aprovecha eficazmente las similitudes entre casos para mejorar la precisión del pseudoetiquetado en patología computacional.
• La incorporación de similitudes específicas de cada caso es crucial para desarrollar modelos de patología computacional más eficaces y generalizables.