一个强大的模型训练策略使用硬负挖矿在一个弱标记的数据集的淋巴侵入在胃癌的强大模型训练策略
Jonghyun Lee1,2, Sangjeong Ahn2, Hyun-Soo Kim3
1Department of Medical and Digital Engineering, Hanyang University College of Engineering, Seoul, Republic of Korea.
The journal of pathology. Clinical research
|December 20, 2023
概括
在胃癌中精确检测淋巴侵袭对于患者的治疗结果至关重要. 这项研究开发了一种使用卷积神经网络和硬负挖掘的新方法,以有效地识别淋巴侵袭,即使有有限的注释数据.
科学领域:
- 数字病理学数字病理学
- 在瘤学瘤学.
- 医疗图像分析 医学图像分析
背景情况:
- 胃癌需要准确的淋巴侵袭 (LI) 评估来预后和治疗.
- 目前的LI评估是主观的,耗时的,并且受到数字病理学数据稀缺性的限制.
- 需要客观和高效的LI检测方法来帮助病理学家.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,用于在胃癌中准确检测LI.
- 为了应对LI分类的数字病理学中有限的注释数据的挑战.
- 提高LI评估的客观性和效率.
主要方法:
- 一个四步CNN培训过程:弱模型培训,假阳性识别,硬负挖矿和强模型培训.
- 在仅包含最终诊断信息的弱标记数据集上利用了硬负挖矿.
- 进行了废除研究,以评估在数据稀缺和不平衡的情况下的表现.
主要成果:
- 拟议的硬负采矿方法改善了LI分类性能,尽管注释数据集很小.
- 有效的CNN模型培训是用有限的数据实现的.
- 该方法在模拟的数据稀缺和不平衡的场景中显示出稳定性.
结论:
- 开发的CNN方法使用有限的数据有效地检测胃癌的淋巴侵入.
- 硬负挖矿是一种可行的策略,可以克服数字病理学的数据稀缺性.
- 这种方法显示了在医学图像分类任务中更广泛应用的潜力.
