自主监督学习用于从淋巴细胞图像中提取特征,并以最小的注释对疾病进行分类.
Masatoshi Abe1, Hirohiko Niioka2, Ayumi Matsumoto1
1Department of Nephrology, Graduate School of Medicine, Osaka University, Osaka, Japan.
Journal of the American Society of Nephrology : JASN
|March 3, 2025
概括
没有标签的自蒸 (DINO) 可以有效地分析没有广泛标签的脏活检图像. 这种深度学习方法可以提高疾病分类的准确性,尤其是在有限的数据的情况下.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能.
- 计算病理学计算病理学
背景情况:
- 深度学习 (DL) 在数字病理学方面表现有前途.
- 由于需要大型,专业标记的数据集,DL应用受到限制.
- 创建标记活检数据集是耗时的,需要专门的专业知识.
研究的目的:
- 应用自主监督学习 (SSL) 使用DINO (没有标签的自我蒸) 进行病理学.
- 为了评估DINO在提取球膜特征和分类脏疾病方面的有效性.
- 将DINO的性能与传统的监督方法进行比较,特别是在有限的标记数据下.
主要方法:
- 将DINO SSL应用于来自384个脏活检的10423张PAS染色质图像.
- 使用主要成分分析 (PCA) 可视化DINO提取的特征.
- 在DINO和ImageNet预训练模型上使用k-近邻或线性头分类器执行分类任务,用ROC-AUC进行评估.
主要成果:
- PCA证实DINO能够捕获明显的球形态特征.
- 使用DINO预训练的模型比使用ImageNet预训练的模型 (ROC-AUC=0.89) 实现了更高的诊断准确性 (ROC-AUC=0.93).
- 与在外部数据集上验证的ImageNet模型 (ROC-AUC=0.76) 相比,DINO在有限的数据 (ROC-AUC=0.88) 中保持了优异的性能.
结论:
- DINO成功地从未标记的脏活检图像中提取了相关的组织学特征.
- 使用DINO的SSL可以在数字病理学中有效地进行疾病分类,克服数据限制.
- 迪诺预培训为病分析提供了一个强大的方法,特别是在资源有限的环境中.
