使用结合色彩规范化和增强来减少偏差,用于基于AI的组织学图像的分类

科学领域:

• 数字病理学数字病理学
• 机器学习在医疗保健中的应用
• 计算病理学计算病理学

背景情况:

• 病理学中的人工智能 (AI) 模型可以从训练数据中显示偏差,影响信任.
• 由于组织加工和染色而导致的微观图像变化是数字病理学中偏差的重要来源.
• 现有的色彩规范化和增色方法往往缺乏对偏差减少和通用性的彻底评估.

研究的目的:

• 在数字病理学中开发和评估新的染色增强 (AugmentHE) 和快速染色正常化 (HEnorm) 方法.
• 评估这些方法对减少人工智能模型中染色诱导偏差的影响.
• 将AugmentHE和HEnorm的性能与现有策略进行比较,使用一个用于乳腺癌分级的多中心数据集.

主要方法:

• 开发了AugmentHE用于增色,以及HEnorm用于快速正常化污点.
• 在单中心数据集上训练分类模型,用于乳腺癌组织学分类.
• 对来自多个中心的图像进行模型性能评估,以监测偏差减少和通用性.

主要成果:

• 与单独的几何增强相比,AugmentHE增加了81%的颜色分散.
• 基于AugmentHE的模型显示,接收器操作特征曲线 (AUC) 下的面积显著增加,超过RGB转移方法至少0.14.
• 与传统的规范化方法相比,HEnorm的处理速度高达78倍,并且具有有效的偏差降低.
• 与标准增强相比,AugmentHE和HEnorm组合的管道改善了偏差数据上的AUC,高达21.7%.

结论:

• 验证了一个开源工具管道 (AugmentHE和HEnorm) 以减少H&E整个幻灯片图像中的染色诱导偏差.
• 开发的方法提高了AI模型的性能和在数字病理学中的概括性.
• 这种方法有可能增加病理学家对人工智能辅助诊断工具的信心.