Adaptación de Dominio Semi-Supervisado con Difusión Latente para la Clasificación de Imágenes Patológicas | JoVE Visualize

Área de la Ciencia:

Patología computacional
Inteligencia artificial en medicina
Análisis de imágenes médicas.

Sus antecedentes:

Los modelos de aprendizaje profundo en patología computacional luchan por generalizar debido al cambio de dominio.
Los métodos actuales de adaptación de dominio a menudo no utilizan datos no etiquetados o utilizan traducción de imagen a imagen, lo que pone en riesgo la precisión.
El cambio de dominio es una barrera importante para la implementación de modelos de IA en diversos entornos clínicos.

Objetivo del estudio:

Desarrollar un marco de adaptación de dominio semi-supervisado (SSDA) para mejorar la generalización de los modelos de patología computacional.
Aprovechar los modelos de difusión latente para generar imágenes patológicas sintéticas conscientes del objetivo y que preserven la morfología.
Mejorar el rendimiento del modelo en cohortes objetivo no vistas sin comprometer el rendimiento en la cohorte fuente.

Principales métodos:

Se desarrolló un marco de adaptación de dominio semi-supervisado (SSDA) utilizando un modelo de difusión latente.
El modelo de difusión se entrenó con datos no etiquetados de los dominios fuente y objetivo, condicionado a características del modelo fundacional, identidad de la cohorte y preparación del tejido.
Las imágenes sintéticas conscientes del objetivo se combinaron con datos fuente reales y etiquetados para entrenar un clasificador downstream para la prognósis del adenocarcinoma de pulmón.

Principales resultados:

El marco SSDA propuesto mejoró significativamente el rendimiento en un conjunto de prueba de cohorte objetivo retenido.
La puntuación F1 ponderada aumentó de 0.611 a 0.706, y la puntuación F1 macro mejoró de 0.641 a 0.716.
El enfoque mejoró el rendimiento de la cohorte objetivo sin degradar el rendimiento de la cohorte fuente.

Conclusiones:

La aumentación de datos sintéticos basada en difusión consciente del objetivo es un enfoque prometedor para mejorar la generalización de dominio en patología computacional.
El marco SSDA aborda eficazmente el cambio de dominio generando datos sintéticos realistas y relevantes.
Este método ofrece una solución viable para implementar modelos de IA robustos en diversos conjuntos de datos de patología.