基因病理学域与生成对抗网络的适应:弥合甲状腺癌基因病理学数据集之间的域差距

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 深度学习模型在医学图像分类方面表现出色,但由于训练数据有限,因此在概括性方面遇到了困难.
• 来自不同领域的未见测试数据往往导致现有模型的性能下降.
• 甲状腺组织病理学分类至关重要,但面临着不平衡数据集和观察者间变异性的挑战.

研究的目的:

• 调查生成对抗网络 (GAN) 在增强有限的甲状腺组织病理学数据集中的有效性.
• 提高甲状腺癌分类的深度学习模型的概括性和预测性能.
• 评估GAN生成的合成图像对少数阶级表现的影响.

主要方法:

• 利用StyleGAN2架构从一个小数据集 (156个样本) 中生成合成甲状腺组织病理学图像.
• 使用Fréchet Inception Distance (FID) 来评估生成图像的质量,获得5.05分的得分.
• 用合成图像增强了原始训练数据,并重新训练了一个分类模型.

主要成果:

• 该GAN模型实现了与非医疗领域相比的最先进的性能.
• 用GAN生成的图像来增强数据,提高了对外部数据集的模型概括性.
• 与基线模型相比,观察到精度 (7.45%) 和AUC (7.20%) 的显著改善.
• 少数群体 (罕见瘤亚型) 的成绩增长最明显.

结论:

• GAN可以有效地生成高质量的合成医疗图像,以增强有限的数据集.
• 合成数据增强显著提高了深度学习模型在甲状腺组织病理学中的概括性.
• 这种方法为改善罕见瘤亚型的诊断准确性提供了有希望的解决方案,减少了观察者之间的变化.