深度多个实例学习与传统的深度单个实例学习用于可解释的口腔癌检测
Nadezhda Koriakina1, Nataša Sladoje1, Vladimir Bašić2,3
1Centre for Image Analysis, Department of Information Technology, Uppsala University, Uppsala, Sweden.
PloS one
|April 30, 2024
概括
这项研究对口腔癌 (OC) 检测的单实例学习 (SIL) 和多实例学习 (MIL) 进行了比较. 令人惊的是,SIL在合成和真实数据集上表现更好或等于MIL,识别异常和恶性细胞.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 组织学检查是口腔癌 (OC) 诊断的标准,但具有侵入性和耗时性.
- 刷毛样本的细胞学分析不那么侵入性,但由于资源和专家限制,临床实施面临挑战.
- 研究深度学习方法,以协助细胞技术人员进行OC检测,需要可靠的癌症检测,并对细胞相关性有可解释的见解.
研究的目的:
- 为了比较单个实例学习 (SIL) 和多个实例学习 (MIL) 对于口腔癌检测和解释的性能.
- 评估深度学习方法,使用真实口腔癌数据和新型合成数据集 (PAP-QMNIST) 进行系统评估.
- 评估这些方法识别诊断相关细胞的能力,以改善理解和监督.
主要方法:
- 传统SIL和现代MIL方法用于OC检测的比较.
- 使用了一个真实的口腔癌数据集,并对患者进行了注释,以及一个合成的PAP-QMNIST数据集,每个实例的基本真相.
- 在两个数据集上评估了三种不同神经网络架构的性能.
主要成果:
- 单个实例学习 (SIL) 方法在合成和真实口腔癌数据集上表现出与多个实例学习 (MIL) 方法相等或更好的性能.
- 这两种方法都成功地发现了偏离正常的细胞,包括恶性和可疑的细胞,视觉检查证实了这一点.
- 该研究为开发的方法提供了开源代码.
结论:
- 在评估的场景中,SIL可能是一个比MIL更有效的方法来检测和解释口腔癌.
- 深度学习模型可以通过突出异常细胞来帮助细胞技术人员,从而有可能提高诊断的准确性和效率.
- 合成的PAP-QMNIST数据集作为真实世界数据的有价值的代理,促进了计算病理学的研究.
