基准测试常见的不确定性估计方法与域转移和标签噪声下的基因病理图像
Hendrik A Mehrtens1, Alexander Kurz1, Tabea-Clara Bucher1
1Division of Digital Biomarkers for Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany.
Medical image analysis
|August 6, 2023
概括
组织病理学中的深度学习模型必须评估不确定性以进行可靠的分类. 方法集可以提高稳定性,并且拒绝不确定的预测可以显著提高关键应用中的准确性.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 用于医学成像的深度学习
背景情况:
- 深度学习 (DL) 在组织病理学方面表现有前途,但对于高风险的应用,它需要强大的不确定性估计.
- 模型必须识别并拒绝不确定的分类,以防止在关键场景中误诊.
研究的目的:
- 严格评估整个幻灯片图像 (WSI) 分类的不确定性和稳定性方法.
- 评估选择性分类的有效性,其中模型拒绝不确定的预测.
- 为了研究在域转移和标签噪声条件下的性能.
主要方法:
- 深度合集,蒙特卡洛脱落,随机变量推理和测试时间数据增强的比较.
- 对级和幻灯片级数据的评估,考虑域位移和标签噪声.
- 组合方法的分析,结合多种不确定性估计技术.
主要成果:
- 集成方法通常会产生优异的不确定性估计和对域移位和标签噪声的稳定性.
- 选择性分类 (拒绝不确定的样本) 始终提高分布内和分布外数据的准确性.
- 与经典的计算机视觉不同,没有一种方法在所有组织病理学任务中始终优于其他方法.
结论:
- 整体策略对于提高基于DL的基因病理学中的不确定性量化和稳定性至关重要.
- 选择性分类是改善医疗AI诊断准确性和可靠性的重要策略.
- 该研究提供了一个代码框架,以推进对组织病理学数据不确定性估计的研究.
更多相关视频
09:18Heteromulticellular Stromal Cells in Scaffold-free 3D Cultures of Epithelial Cancer Cells to Drive Invasion
Published on: April 4, 2025
655
09:52DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma
Published on: June 6, 2025
272
