Marco de código abierto para detectar sesgos y sobreajuste en imágenes patológicas grandes

Área de la Ciencia:

• Inteligencia Artificial
• Patología Computacional
• Imágenes Médicas

Sus antecedentes:

• Los modelos fundacionales pueden aprender sesgos de artefactos de imagen no relevantes como el color de fondo.
• Los métodos existentes para detectar y eliminar estos artefactos a menudo son específicos del dominio, específicos del modelo y computacionalmente costosos.
• Esto limita la adopción generalizada del aprendizaje profundo robusto en el análisis de imágenes médicas.

Objetivo del estudio:

• Desarrollar un marco de depuración de modelos de aprendizaje profundo independiente de la arquitectura del modelo.
• Abordar la necesidad de métodos confiables para detectar y eliminar artefactos no relevantes.
• Mejorar la robustez y la generalización de los modelos utilizados en el análisis de imágenes de cortes completos (WSI).

Principales métodos:

• Desarrolló un marco de depuración novedoso e independiente de la arquitectura del modelo.
• Probó el marco en un conjunto de datos de histopatología a gran escala con imágenes muy grandes.
• Utilizó modelos preentrenados (Phikon-v2) y de autoaprendizaje (MoCo v1) para la evaluación.

Principales resultados:

• El marco replicó con éxito patrones de sesgo conocidos en ambos modelos probados.
• Demostró la capacidad de detectar la dependencia de artefactos no relevantes como el color de fondo.
• Mostró la utilidad del marco para identificar sesgos del modelo en el análisis de WSI.

Conclusiones:

• El marco propuesto contribuye al desarrollo de modelos de aprendizaje profundo más confiables y precisos para el análisis de WSI.
• El enfoque independiente del modelo mejora la generalización de los métodos de depuración.
• La herramienta de código abierto está integrada con el marco MONAI, lo que facilita un mayor uso y desarrollo.