域特定预训练提高了对整个幻灯片图像分类的信心
概括
特定领域的预训练增强了整个幻灯片图像 (WSI) 分类的深度学习模型. 这种方法提高了信心,在质瘤亚型检测方面实现了最先进的性能,有助于临床诊断.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 机器学习在医疗保健中的应用
背景情况:
- 整个幻灯片图像 (WSIs) 由于其大小和有限的注释,对深度学习提出了重大挑战.
- 多实例学习 (MIL) 模型越来越多地用于WSI分析,通常依赖于像ResNet-50这样的通用预训练模型.
- 特定领域的预培训,例如KimiaNet (DenseNet121预培训TCGA幻灯片),提供了一种专门的方法.
研究的目的:
- 评估特定领域预培训对WSI分类MIL模型性能的影响.
- 评估特定领域预训练对模型信心和预测准确性的影响.
- 调查这些增强模型在质瘤诊断中的临床适用性.
主要方法:
- 使用了最先进的MIL模型:CLAM (基于注意力) 和TransMIL (基于自我注意力).
- 预先训练的模型与通用数据集与特定领域数据集 (TCGA幻灯片) 相比较.
- 评估模型的可靠性和预测性能,专门用于从WSIs中检测和亚型化质瘤.
主要成果:
- 特定领域的预培训显著提高了CLAM和TransMIL模型的信心.
- 在基于WSI的质瘤亚型分类中实现了新的最先进的性能.
- 与使用通用预训练的模型相比,证明了增强的预测准确性.
结论:
- 特定领域的预培训对于提高数字病理学深度学习模型性能至关重要.
- 改进的模型显示高临床适用性,以协助结质瘤诊断和亚型.
- 公开共享的代码和结果促进了计算病理学的进一步研究和开发.
