隐性扩散模型与图像衍生的注释,用于增强AI辅助癌症诊断在组织病理学

科学领域:

• 数字病理学数字病理学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在组织病理学中,监督人工智能方法需要广泛的注释数据集,这些数据集往往很少.
• 合成数据生成为增加有限的现实世界数据集提供了一个有希望的解决方案.
• 隐性扩散模型可以产生高质量的合成图像,但通常需要详细的文本提示,在基因病理学中不可用.

研究的目的:

• 开发一种方法,使用人工智能生成合成本病理学图像.
• 为了应对有限的注释数据的挑战,用于训练AI诊断模型.
• 评估人工智能生成的合成数据在提高人工智能模型性能方面的有效性.

主要方法:

• 提出了一种新的方法,通过自动提取的图像特征来构建结构化的文本提示,用于隐性扩散模型.
• 用PCam数据集进行了实验,其中包含标注健康或癌症的组织贴片.
• 使用Fréchet Inception Distance (FID) 评估合成图像质量,并评估病理学家区分真实和合成图像的能力.

主要成果:

• 在提示符中包括图像衍生功能,与仅使用诊断标签相比,FID提高了88.6.
• 病理学家表现出对合成图像与真实基因病理图像的区分能力有限 (中位数灵敏度/特异性为0.55/0.55).
• 使用拟议方法生成的合成数据有效地训练了AI模型进行诊断任务.

结论:

• 在图像特征的指导下,人工智能驱动的合成数据生成可以克服基因病理学上的注释限制.
• 开发的方法提高了合成数据的质量和实用性,用于人工智能在癌症诊断方面的培训.
• 合成组织病理学图像显示了强大训练人工智能模型的潜力,支持诊断应用.