配备计算病理学系统的工件处理管道:计算和性能权衡的展示.
Neel Kanwal1, Farbod Khoraminia2, Umay Kiraz3,4
1Department of Electrical Engineering and Computer Science, University of Stavanger, 4021, Stavanger, Norway. neel.kanwal@uis.no.
BMC medical informatics and decision making
|October 7, 2024
概括
本研究引入了一种专家混合 (MoE) 方法,用于检测整个幻灯片图像 (WSI) 中的文物,提高计算病理学 (CPATH) 的可靠性. 基于DCNNs的MoE实现了高精度,为自动化癌症诊断提供了强大的解决方案.
科学领域:
- 计算病理学和数字组织病理学.
- 深度学习 (DL) 在医学图像分析中的应用.
背景情况:
- 组织病理学对于癌症诊断至关重要,它依赖于组织幻灯片的显微镜检查.
- 组织处理将文物引入整个幻灯片图像 (WSI),可能导致深度学习 (DL) 算法错误诊断.
- 自动化文物检测对于可靠的计算病理学 (CPATH) 系统至关重要.
研究的目的:
- 开发和评估一个专家混合 (MoE) 计划,用于检测五个常见的文物在WSIs.
- 评估不同DL管道的性能和计算权衡,以检测文物.
- 确保可靠的CPATH预测,并提供数字病理学的质量控制.
主要方法:
- 提出了一个专家混合 (MoE) 方案,使用独立的二进制DL模型作为专家来检测文物.
- 结合了使用融合机制的专家预测,并应用了概率值来提高灵敏度.
- 开发和评估了四个DL管道 (两个MOE,两个多类模型与DCNN和ViT) 在各种数据集上,包括分布之外的数据.
主要成果:
- 基于DCNN的MoE和基于ViT的MoE方案的表现优于简单的多类模型.
- 性能最好的管道,使用MobileNet DCNNs的MoE,在未见数据上实现了86.15%的F1和97.93%的灵敏度.
- 专家评估证实了基于DCNN的MOE方案的诊断可用性,科恩卡帕为0.82的文物检测和保存无文物区域.
结论:
- 拟议的文物检测管道提高了CPATH的可靠性,并提供了质量控制.
- 与DCNN一起的MoE在文物检测,平衡精度和计算成本方面表现出卓越的性能.
- 该研究强调了性能和复杂性之间的权衡,强调没有一个单一的DL解决方案适合所有应用.
