組織病理スライド分類のためのランキング認識型マルチインスタンス学習：開発および検証研究

科学分野:

• デジタル病理学
• 計算病理学
• 医療における機械学習

背景:

• マルチインスタンス学習（MIL）は、デジタル病理学におけるスライドレベル分類の重要な技術です。
• 現在のMIL手法は、部分的な専門家のアノテーションを効果的に活用していないことがよくあります。
• 専門家のアノテーションは、たとえ部分的であっても、教師あり学習モデルを大幅に強化することができます。

研究 の 目的:

• ランク誘導と名付けられたランキング認識型MILフレームワークを開発および評価すること。
• MILに部分的な専門家のアノテーションを統合して、スライドレベル分類を改善すること。
• 現実的なアノテーション制約下でのフレームワークのパフォーマンスを評価すること。

主な方法:

• RankNetに着想を得たペアワイズランク損失を利用するMILアプローチであるランク誘導を開発しました。
• このフレームワークは、アノテーションされた領域に高い注意を割り当てることにより、診断的に関連性の高いパッチを優先します。
• Camelyon16、DigestPath2019、およびSMF-stomachデータセットで、さまざまなアノテーションシナリオで評価されました。

主要な成果:

• ランク誘導は、高いAUROCスコアを達成しました：0.839 (Camelyon16)、0.995 (DigestPath2019)、および0.875 (SMF-stomach)。
• モデルは、トレーニングデータの削減により0.761 AUROCを維持し、低データレジームで堅牢性を示しました。
• わずか20%の疎なスライドレベルアノテーションで、ほぼ飽和したパフォーマンスが達成されました。

結論:

• ランキングベースの教師あり学習を介して専門家のアノテーションを統合することにより、MILベースの分類パフォーマンスが向上します。
• ランク誘導は、限定的、粗い、または疎なアノテーションを持つデジタル病理学アプリケーションに対して、実用的で堅牢であることが証明されています。