基于使用域内和域外转移学习的组织病理图像进行质瘤亚型分类:一项实验性研究
Vladimir Despotovic1, Sang-Yoon Kim1, Ann-Christin Hau2,3,4,5,6,7
1Bioinformatics Platform, Department of Medical Informatics, Luxembourg Institute of Health, Strassen, Luxembourg.
Heliyon
|April 2, 2024
概括
这项研究使用深度学习和转移学习在组织病理学图像上增强了质瘤分类. 一种新的半监督方法提高了准确性,减少了病理学家的工作量,有助于瘤检测.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 准确的成年类型扩散性质瘤的分类对于患者的治疗至关重要.
- 传统的组织病理学分析可能是耗时且主观的.
- 深度学习为自动化和客观图像分析提供了潜力.
研究的目的:
- 为了比较转移学习策略和深度学习架构用于质瘤分类.
- 调查领域内适应和半监督学习的有效性.
- 开发一个WSI可视化工具来突出显示瘤区域.
主要方法:
- 评估域外的ImageNet表示和域内适应 (自我监督,多任务学习).
- 提出了一种半监督的方法,使用微调模型来标记未标记的WSI区域.
- 重新训练的模型具有基本真相和预测的弱标签,实现高精度.
主要成果:
- 通过半监督方法实现了96.91%的平衡精度和97.07%的F1得分.
- 与标准的域内转移学习相比,证明了更高的性能.
- 开发了一个WSI级可视化工具,生成突出瘤热图.
结论:
- 拟议的半监督学习方法显著改善了计算机辅助质瘤分类.
- 这种方法减少了病理学家需要广泛的手动注释的需要.
- 视觉化工具有助于病理学家在整个幻灯片图像中识别关键瘤区域.
