对数字组织病理学任务适应技术的系统比较
Daniel Sauter1, Georg Lodde2, Felix Nensa3,4
1Department of Computer Science, Fachhochschule Dortmund, 44227 Dortmund, Germany.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
与标准微调相比,先进的人工智能技术在计算组织病理学中显示出更高的准确性. 性能因任务和数据集大小而异,突出显示了医疗AI中需要量身定制的方法.
科学领域:
- 计算型他的病理学
- 医学中的人工智能.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 在基因病理学中图像注释不足,需要微调预训练的神经网络.
- 香草微调是常见的,但新的计算机视觉算法可能会提供更好的准确性.
- 现有的研究表明,医疗AI (放射学) 有好处,但在组织病理学方面缺乏经验证据.
研究的目的:
- 系统地比较九个人工智能任务适应技术与草甘微调在他的病理学.
- 评估先进方法对各种类型病理学分类任务和数据集的准确性改进.
- 调查训练集大小对所选技术性能的影响.
主要方法:
- 使用ConvNeXt架构进行比较.
- 评估了九种任务适应技术:DELTA,L2-SP,MARS-PGM,双调,BSS,MultiTune,SpotTune,Co-Tuning和香草微调.
- 在五个组织病理学分类任务和八个数据集中进行了系统比较,包括外部测试和统计验证.
主要成果:
- 五种先进的任务适应技术显示了相对精确度的显著改善,而不是香草微调.
- 技术的适用性取决于具体的遗传病理学分类任务而异.
- 协同调整显示了显著的性能增长 (例如,P(≫) = 0.942,d = 2.623).
- 对训练集大小的分析显示,对Co-Tuning等方法的准确性有不同的影响 (例如,P(≫) = 0.951,γ = 0.748).
结论:
- 先进的任务适应技术为提高AI在组织病理学中的准确性提供了显著的潜力.
- 这些技术的有效性受到分类任务和培训数据可用性等因素的影响.
- 针对特定的组织病理学挑战量身定制人工智能方法对于最佳性能至关重要.
