对胎盘中非新生病理学的基准病理学模型进行基准分析

科学领域:

• 组织病理学 组织病理学
• 机器学习 机器学习
• 计算病理学计算病理学

背景情况:

• 机器学习 (ML) 模型,包括通用和病理特定的基础模型,在诊断组织病理学中取得了成功,主要集中在与癌症相关的任务上.
• 目前评估这些模型的基准主要以癌症为中心,忽视了病理学的其他关键领域.
• 非新发性疾病,特别是胎盘病理,占临床病理发现的很大一部分,但在当前的ML模型培训数据中代表性不足.

研究的目的:

• 通过开发和应用新的基准,专注于非新发性胎盘病理学来解决测试病理学基础模型中的缺口.
• 评估各种胎盘病理学任务的病理特异性和通用基础模型的性能.
• 确定改善基因病理学基础模型通用性的挑战和机会.

主要方法:

• 开发用于胎盘病理的新基准,包括妊娠年龄估计,正常组织分类,炎症识别 (带,膜) 和宏观病变分类 (状心脏病发作,间性血栓,周性纤维素沉积).
• 在各种任务中测试五种病理基础模型和四种非病理模型:零射击K-最近邻居分类和回归,基于内容的图像检索,监督回归和基于全幻灯片注意力的多个实例学习.
• 基于模型类型 (病理特异性与通用性) 和任务特征的模型性能比较分析.

主要成果:

• 病理学基础模型在所有开发的基准中始终优于非病理学模型.
• 病理和非病理模型之间的性能差距在涉及炎症的任务中或使用嵌入模型的监督方法时缩小.
• 在测试的病理基础模型中,性能是可比的,而在非病理模型中,最近的模型显示出比ResNet.Net等旧模型更好的性能.

结论:

• 病理学基础模型显示出强大的潜力,但需要对各种数据集进行评估,例如胎盘病理学,以评估真正的概括性.
• 开发专门的基准对于识别当前模型的局限性和指导未来研究至关重要.
• 将像胎盘病理学等代表性不足的数据纳入基础模型培训可以显著提高其在诊断组织病理学中的稳定性和临床实用性.