Aprendizaje Múltiple de Instancias Consciente del Ranking para la Clasificación de Diapositivas Histopatológicas:...

Área de la Ciencia:

• Patología digital; Patología computacional; Aprendizaje automático en medicina

Sus antecedentes:

• El aprendizaje múltiple de instancias (MIL) es una técnica clave para la clasificación a nivel de diapositiva en patología digital.
• Los métodos MIL actuales a menudo no aprovechan eficazmente las anotaciones parciales de expertos.
• Las anotaciones de expertos, aunque sean parciales, pueden mejorar significativamente los modelos de aprendizaje supervisado.

Objetivo del estudio:

• Desarrollar y evaluar un marco MIL consciente del ranking, denominado inducción de rango.
• Integrar anotaciones parciales de expertos en MIL para mejorar la clasificación a nivel de diapositiva.
• Evaluar el rendimiento del marco bajo restricciones de anotación realistas.

Principales métodos:

• Se desarrolló la inducción de rango, un enfoque MIL que utiliza una pérdida de rango por pares inspirada en RankNet.
• El marco prioriza los parches de relevancia diagnóstica al asignar mayor atención a las regiones anotadas.
• Se evaluó en los conjuntos de datos Camelyon16, DigestPath2019 y SMF-estómago bajo varios escenarios de anotación.

Principales resultados:

• La inducción de rango logró altas puntuaciones AUROC: 0.839 (Camelyon16), 0.995 (DigestPath2019) y 0.875 (SMF-estómago).
• El modelo demostró robustez en regímenes de bajos datos, manteniendo un AUROC de 0.761 con datos de entrenamiento reducidos.
• Se logró un rendimiento casi saturado con solo el 20% de anotaciones parciales a nivel de diapositiva.

Conclusiones:

• La integración de anotaciones de expertos a través de la supervisión basada en el ranking mejora el rendimiento de la clasificación basada en MIL.
• La inducción de rango demuestra ser práctica y robusta para aplicaciones de patología digital con anotaciones limitadas, imprecisas o dispersas.