走向交互式人工智能创作,使用在组织病理学中的原型少量分类器
Petr Kuritcyn1, Rosalie Kletzander1, Sophia Eisenberg1
1Fraunhofer IIS, Fraunhofer Institute for Integrated Circuits IIS, Medical Image Analysis Group, Erlangen, Germany.
Journal of pathology informatics
|December 23, 2024
概括
组织病理学中的人工智能 (AI) 面临着注释图像和数据变异性的挑战. 原型的少数镜头分类与数据增强相结合,提供了一个强大的解决方案,以最小的数据实现高精度.
科学领域:
- 数字病理学数字病理学
- 医学的人工智能 (AI)
- 计算病理学计算病理学
背景情况:
- 组织病理学分析可以从人工智能工具中获得很大的好处,现在已经有了最初的商业产品.
- 关键的挑战包括注释图像的稀缺性和对数据异质性 (域泛化) 强大的模型的需求.
研究的目的:
- 为了研究结合原型的少量射击分类模型与对基因病理学AI的数据增强的有效性.
- 为了应对有限的注释数据和AI驱动的数字病理学领域概括的挑战.
主要方法:
- 利用原型的几次射击分类模型和在两个瘤实体的多中心,多扫描仪数据集上进行域特定数据增强.
- 对比了九个最先进的卷积神经网络 (CNN) 架构用于特征提取,确定EfficientNet B0是最佳的.
- 评估了来自不同扫描仪的图像原型的影响,以及该模型适应新瘤实体 (骨髓癌) 的适应性,并进行了最小的注释.
主要成果:
- 在一个多中心,多扫描仪数据库上实现了~90%的分类准确度,与单中心性能相比,通过使用一个扫描仪/站点的数据与增强.
- 在经过测试的CNN中,EfficientNet B0展示了最好的准确度-推断时间权衡.
- 在使用交叉扫描仪原型时,少数镜头模型表现出稳定的性能,精度偏差最小 (1.8%).
- 适应以93.6%的准确度对尿路细胞癌进行分类,每个子类仅使用三个注释.
结论:
- 原型的几次射击分类对于组织病理学中的AI非常有效,需要很少的注释,并且可以在没有广泛的再培训的情况下进行适应.
- 这种方法促进了对非技术用户的交互式AI创作和指导注释系统的开发.
