使用变量自编码器用于在组织学多实例学习中的分布外检测
Francisco Javier Sáez-Maldonado1, Luz García2, Lee A D Cooper3,4,5
1Department of Computer Science and Artificial Intelligence, Universidad de Granada, 18071 Granada, Spain.
概括
这项研究引入了用于组织学图像分类的分布外 (OOD) 意识深度多个实例学习 (MIL) 模型. 该模型有效地检测到看不见的组织和文物,提高计算机辅助诊断系统的高精度.
科学领域:
- 计算病理学计算病理学
- 机器学习用于医学成像.
- 组织病理学分析分析.
背景情况:
- 多个实例学习 (MIL) 方法通过使用全幻灯片图像 (WSI) 级别标签来简化组织图像分类,减少注释负担.
- 现实世界的部署需要MIL模型来识别OOD样本,例如新型组织或文物,用于计算机辅助诊断 (CADx) 的质量控制.
研究的目的:
- 为组织学图像分类开发一个OOD意识的概率深度MIL模型.
- 为了使CADx系统能够标记潜在的问题样本进行进一步审查.
主要方法:
- 提出了一种新的OOD意识的概率深度MIL模型,将变化自编码器的潜在表示与注意力机制集成在一起.
- 该模型在测试时使用实例隐藏表示来进行分类和OOD检测.
- 还开发了一种使用重建错误作为OOD分数的确定性变体.
主要成果:
- 该模型在Panda (前列腺) 和Camelyon16 (淋巴结) 数据集上取得了与最先进的方法相竞争的分类结果.
- 对于OOD检测,该模型在区分前列腺组织和人工物 (人工数据集) 时实现了100%的AUC.
- 该模型还使用Panda和B细胞淋巴瘤 (b细胞) 数据集显示了淋巴结OOD检测的高AUC (100%和97%).
结论:
- 开发的模型表现出强大的分类性能和有效的OOD幻灯片检测能力.
- 这些发现凸显了拟议的OOD-aware MIL方法在提高诊断准确性和可靠性的临床潜力.


