大規模な病理画像のバイアスとオーバーフィットの検出のためのオープンソースのフレームワーク

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• コンピューター病理学 (Computational Pathology) について
• メディカルイマージング (医学イメージング)

背景:

• ファンデーションモデルは,背景の色のような関連性のない画像アーティファクトからバイアスを学ぶことができます.
• これらのアーティファクトを検出および削除するための既存の方法は,しばしばドメイン特異的,モデル特異的,および計算的に高価である.
• これは,医療画像分析における堅実なディープラーニングの普及を制限している.

研究 の 目的:

• ディープラーニングモデルをデバッグするためのモデル・アーキテクチャ・アグノスティック・フレームワークを開発する.
• 関連性のない人工物を検出・除去するための信頼性の高い方法の必要性を解決する.
• 全スライド画像 (WSI) 解析で使用されるモデルの堅実性と一般化性を向上させる.

主な方法:

• 新しいモデル・アーキテクチャ・アグノスティック・デバッグ・フレームワークを開発した.
• フレームワークを,非常に大きな画像を備えた大規模ヒト病理学データセットでテストしました.
• 評価のために,事前訓練された (Phikon-v2) と自己監督された (MoCo v1) モデルを使用しました.

主要な成果:

• このフレームワークは,テストされた両方のモデルで既知のバイアスのパターンを成功裏に複製しました.
• 背景の色のような関係のないアーティファクトへの依存を検出する能力を示しました.
• WSI分析におけるモデルバイアスの特定におけるフレームワークの有用性を示した.

結論:

• 提案された枠組みは,WSI分析のためのより信頼性と正確なディープラーニングモデルの開発に貢献します.
• モデルアグノスティックなアプローチは,デバッグメソッドの汎用性を高めます.
• オープンソースのツールは,MONAIのフレームワークと統合され,より広範な利用と開発を容易にする.