CellViT++: 基盤モデルを用いたエネルギー効率が高く適応性のある細胞のセグメンテーションと分類

科学分野:

• 計算病理学; デジタル病理学; 医療画像のための機械学習

背景:

• 細胞セグメンテーションのためのディープラーニングモデルには、広範なアノテーションデータと計算コストが必要です。; 既存の手法は新しい細胞タイプへの適応性に欠け、研究と臨床ワークフローのボトルネックとなっています。; CellViT++は、細胞セグメンテーションと分類におけるこれらの制限に対処するために導入されました。

研究 の 目的:

• 汎用的な細胞セグメンテーションのためのデータ効率が良く軽量なフレームワークを開発すること。; 最小限のデータで新しい細胞分類法へのモデルの迅速な適応を可能にすること。; デジタル病理学における計算コストと専門家によるアノテーションへの依存を削減すること。

主な方法:

• CellViT++は、セグメンテーションのために凍結された事前トレーニング済み基盤モデルを持つVision Transformerを利用しています。; ディープセル埋め込みは、追加の計算コストなしでフォワードパス中に抽出されます。; 軽量分類器がこれらの埋め込み上で新しい細胞タイプの適応のためにトレーニングされ、H&EおよびIFスライドからのトレーニングデータ生成のための自動化されたワークフローが実証されています。

主要な成果:

• CellViT++は、公開データセットで競合手法を上回る、顕著なゼロショットセグメンテーションとデータ効率を達成しています。; CoNSePデータセットでトレーニングデータのわずか10%のみを使用して優れた結果が得られました。; 分類器アプローチは、トレーニング時間を大幅に短縮し（数分対数時間）、CO2排出量を96.93%削減し、自動ラベルでトレーニングされたモデルは、専門家によってアノテーションされたデータセットと同等またはそれ以上のパフォーマンスを示しました。

結論:

• CellViT++は、計算病理学におけるセグメンテーションと分類を分離する、堅牢で効率的でオープンソースのフレームワークです。; フレームワークの最小限のデータでの新しい細胞タイプへの適応性と自動化されたデータセット生成は、専門家によるアノテーションの必要性を大幅に削減します。; CellViT++は、研究を加速し、診断を改善し、より深いコホート分析を可能にするための基盤ツールとして機能します。