通过补充颜色调整图像来改善人工智能对较小组织学群体的歧视
Satomi Hatta1,2, Yoshihito Ichiuji3, Shingo Mabu3
1Division of Molecular Pathology, Department of Pathological Sciences, University of Fukui, 23-3 Matsuoka-Shimoaizuki, Eiheiji, Fukui, 910-1193, Japan.
Scientific reports
|November 5, 2023
概括
由于数据有限,用于组织病理学的人工智能 (AI) 面临着罕见组织类型的挑战. 用调整颜色的组织阵列图像补充训练数据,可显著提高罕见亚型的AI性能.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 计算病理学计算病理学
背景情况:
- 使用人工智能进行血清病理图像分析至关重要,但由于罕见疾病亚型的数据不足而受到阻碍.
- 疾病的不频率导致不平衡的数据集,限制了AI模型在病理学中的概括性.
研究的目的:
- 在人工智能培训中解决罕见基因病学亚型的数据短缺问题.
- 通过增强数据集来提高AI模型的性能,以分类罕见组织类型.
主要方法:
- 利用循环一致的生成对抗网络 (CycleGAN) 来调整补充组织阵列 (TA) 图像的色调.
- 将调色的TA图像集成到罕见组织类型的训练数据集中.
- 通过使用F1分数,回忆值和不同数据源的歧视能力来评估AI模型性能.
主要成果:
- 通过改善回忆,显著增加了罕见组织类型的F1得分 (<1.2%的训练数据).
- 从两个医院获得了临床图像的同等歧视,通过色彩校正进一步增强 (F1得分从45.2±27.1增加到77.1±10.3).
- 成功分类了手术内冷部位,尽管过度的数据补充导致了性能下降.
结论:
- 调整颜色的组织阵列图像是有效的增强数据集,以提高AI性能在组织病理学,特别是罕见的亚型.
- 拟议的方法提供了一种构建强大的AI模型的策略,这些模型可以在实际的病理学分类中处理不平衡的数据频率.
- 需要仔细优化数据补充,以避免性能下降.
