TriDeNT:三重深度网络培训,用于在组织病理学中提炼特权知识
Lucas Farndale1, Robert Insall2, Ke Yuan3
1School of Cancer Sciences, University of Glasgow, Scotland, UK; Cancer Research UK Scotland Institute, Scotland, UK; School of Computing Science, University of Glasgow, Scotland, UK; School of Mathematics and Statistics, University of Glasgow, Scotland, UK.
Medical image analysis
|April 2, 2025
概括
我们开发了TriDeNT,一种新的自我监督方法,通过在训练期间使用额外的数据来改进计算病理模型. 这种方法显著提高了模型在常规输入上的性能,超过了现有的方法.
科学领域:
- 计算病理学计算病理学
- 在数字病理学中的机器学习.
- 生物医学图像分析
背景情况:
- 计算病理学模型往往无法利用所有可用的数据.
- 在推断过程中,通常会排除像免疫组织化学 (IHC) 和空间转录组学这样的高度信息化数据.
- 这限制了现有模型的性能和通用性.
研究的目的:
- 介绍TriDeNT,一种用于计算病理学的新型自我监督方法.
- 为了使模型能够利用"特权"数据 (在培训期间可用,但不能推断).
- 提高计算病理学模型在下游任务中的性能.
主要方法:
- 开发了 TriDeNT,一个自我监督的学习框架.
- 在模型训练期间利用了特权数据,包括IHC,空间转录学和专家核注释.
- 对各种配对数据设置的最新方法进行了TriDeNT的评估.
主要成果:
- 在所有测试的下游任务中,TriDeNT显著超过了基线和最先进的方法.
- 使用TriDeNT.观察到高达101%的性能改善.
- 从稀缺或昂贵的数据向训练为常规输入的模型展示了有效的知识蒸.
结论:
- TriDeNT提供了一种强大的新方法,用于将特权信息纳入计算病理学中.
- 这种方法通过有效地从推理时无法获得的数据中学习来提高模型性能.
- TriDeNT为更强大,更准确的计算病理学工具铺平了道路.


