MICIL:多级阶级增量学习皮肤癌整片图像

科学领域:

• 计算机科学 计算机科学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 代理人在连续训练时面临灾难性的遗忘,阻碍了癌症预测等应用.
• 整个幻灯片图像 (WSIs) 对癌症管理至关重要,推动了对自动化分析的需求.
• 增量学习 (IL) 旨在使人工智能模型能够不断学习,而不忘记过去的信息.

研究的目的:

• 在多个实例学习 (MIL) 框架内引入一种新的IL算法来分析千兆像素WSIs.
• 解决人工智能模型中灾难性遗忘的挑战,应用于不断发展的数据集,特别是用于癌症预测.
• 为了使多种皮肤癌亚型的增量预测从WSIs在一个班级增量学习 (class-IL) 场景.

主要方法:

• 开发了多个实例类增量学习 (MICIL) 算法,将MIL与类IL结合起来进行WSI分析.
• 整合了知识蒸,数据排练和一种新的嵌入级别蒸,以保留隐藏空间.
• 评估了算法在类IL指标上的性能,重点是平衡可塑性和稳定性.

主要成果:

• 在WSI分析中,MICIL算法有效地解决了灾难性遗忘问题.
• 证明了从WSIs逐步预测多种皮肤癌亚型的能力.
• 成功地平衡了IL特定的指标,减轻了不妥协和遗忘.

结论:

• 拟议的MICIL算法在将IL应用于WSI分析以预测癌症方面取得了重大进展.
• 该框架为医学成像学的持续学习提供了一个强大的解决方案,在与新数据相适应的同时保护知识.
• 该研究强调了结合MIL和class-IL的潜力,以在数字病理学中实现可扩展和有效的AI.