转移学习可以解释子在组织病理学中检测癌症的能力

科学领域:

• 计算神经科学是一种计算神经科学.
• 机器学习 机器学习
• 组织病理学 组织病理学

背景情况:

• 子表现出令人惊的熟练度在分类他的病理图像,自2015年以来无法解释的能力.
• 该假设表明,在飞行过程中获得的视觉信息有助于这种能力.

研究的目的:

• 通过计算建模并验证这样的假设:子的空中视觉体验有助于它们的组织病理学图像分类技能.
• 调查从航空图像转移学习到医学图像分析的作用.

主要方法:

• 一个深度神经网络在一个大规模的空中图像数据集 (BirdsEyeViewNet) 上进行了预训练,使用自主监督学习来模拟子的飞行视觉体验.
• 应用转移学习,使用预训练的模型执行任务在Hematoxylin和Eosin (H&E) 染色的组织病理学和放射学图像,类似于子训练.

主要成果:

• 在空中视图预训练后,机器学习模型的表现与子在组织病理学任务中的表现非常接近.
• 从鸟视图数据转移学习被证明是子表示学习的可行计算模型.
• 该方法在六个大规模分类任务中进一步验证,使用各种癌症类型的整个幻灯片图像.

结论:

• 这项研究提供了强有力的证据,即空中图像的预训练使人工神经网络能够模仿子在组织病理学图像分类方面的非凡能力.
• 这项研究验证了转移学习作为理解生物表征学习的计算模型,特别是在鸟类对象中.
• 这些发现表明,在医学图像分析中,通过利用在多样化,大规模数据集上训练的模型,可能有潜在的应用.