計算病理学における半教師あり学習の強化：類似性誘導モデル群

科学分野:

• 計算病理学; デジタル病理学; 医療における機械学習

背景:

• 計算病理学における高精度なピクセルレベルの注釈は、多大な時間と専門家の入力を必要とする重大なボトルネックです。 半教師あり学習（SSL）は、ラベルなしデータを利用することで解決策を提供しますが、既存の方法では、正確な疑似ラベリングのために重要なケース間の類似性を無視することがよくあります。

研究 の 目的:

• 意味セグメンテーションタスクにおける疑似ラベリング信頼性の向上を目的とした、新しいSwarm-of-Models（S-o-M）SSLフレームワークを導入すること。 ケース間の類似性を組み込むことにより、計算病理学モデルの精度と効率を改善すること。

主な方法:

• 画像類似性に基づいて専門の「形態専門家」モデルを動的に選択するSwarm-of-Models（S-o-M）SSLフレームワークを開発しました。 意味セグメンテーションのために、疑似ラベル生成の改善に焦点を当てて、フレームワークを全スライド画像（WSI）に適用しました。

主要な成果:

• S-o-Mフレームワークは、大規模な国際的な大腸癌データセットにおいて、従来の教師ありおよび半教師あり手法と比較して優れた性能を示しました。 Diceスコアの改善を達成しました：腫瘍セグメンテーションで3.6％、腫瘍/腫瘍間質セグメンテーションで2.1％。 アブレーション研究により、さまざまなデータ条件や単施設トレーニングシナリオ全体でのフレームワークの堅牢性が確認されました。

結論:

• 提案されたS-o-M SSLフレームワークは、計算病理学における疑似ラベリング精度を向上させるために、ケース間の類似性を効果的に活用します。 ケース固有の類似性を組み込むことは、より効果的で一般化可能な計算病理学モデルを開発するために重要です。