自動レーベルは,ディープラーニングによるデジタル病理画像分類において,手動レーベルと同じくらい効果的です

科学分野:

• デジタル病理学
• 医療における人工知能
• 生物医学データ分析

背景:

• ディープラーニング (DL) アルゴリズムは,生物医学分析のために大きなラベル付きのデータセットを必要とします.
• 医療専門家による手動のデータ表示は,DLモデルを訓練する際に重要なボトルネックです.
• DLトレーニングの自動生成ラベルの信頼性は不明である.

研究 の 目的:

• 全スライド画像 (WSI) の分類のためにDLモデルをトレーニングするために自動的に生成されたラベルを使用できる状況を調査する.
• 自動化されたデータセットでの容認可能な騒音レベルを性能低下前に決定する.
• WSI分類作業における自動と手動のラベルの有効性を比較する.

主な方法:

• 多数のDLアーキテクチャを使用し,コンボリューションニューラルネットワークとビジョントランスフォーマーも含む.
• 10604枚の全スライド画像にモデルを訓練し,セリアック病 (バイナリ),肺がん (マルチクラス),大腸がん (マルチラベル) の3つの使用例を対象とした.
• セマンティック・ノイズ・エキストラクター・ツールによって生成されたノイズラベルを含む,異なる割合でモデルのパフォーマンスを評価した.

主要な成果:

• 騒々しいラベルの割合が10%を超えると,性能の低下が観察された.
• 最大10%のノイシー・オートマティック・ラベルで訓練されたモデルは,高F1スコアを達成しました:0.906 (乳がん),0.757 (肺がん),0.833 (大腸がん).
• 自動レーベルは,10%の騒音の限界内で生成され,手動レーベルと比較可能なパフォーマンスを示しました.

結論:

• レーベルの騒音が10%以下で制御される限り,自動レーベルはWSI分類のためのDLモデルを訓練するための実行可能で効果的な戦略です.
• セマンティック・ノレッジ・エキストラクター・ツールでは,デジタル病理学のDLモデルトレーニングに適した信頼性の高い自動ラベルを生成できます.
• この研究は 生物医学画像の分析において より効率的で拡張性のある AI 開発の道を開きます