Using Less Annotation Workload to Establish a Pathological Auxiliary Diagnosis System for Gastric Cancer

Lan, Junlin; Chen, Musheng; Wang, Jianchao; Du, Min; Wu, Zhida; Zhang, Hejun; Wang, Tao; Chen, Lifan; Xu, Chaohui; Han, Zixin; Hu, Ziwei; Zhou, Yuanbo; Zhou, Xiaogen; Tong, Tong; Chen, Gang

doi:10.2139/ssrn.4237972

Cited by 1 publication

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In der digitalen Pathologie ist es oft eine Herausforderung, ausreichend große Mengen an annotierten Daten zu erhalten. Teilweise werden zeitaufwendige manuelle Annotationen benötigt [ 17 ], es fehlen Metadaten (z. B. Sequenzierungs- und/oder Überlebensdaten) oder das Einverständnis der Patienten.…”

Section: Einflussfaktoren Auf Transferierbarkeitunclassified

Die Modelltransferierbarkeit von KI in der digitalen Pathologie

Mayer,

Kinzler,

Stoll

et al. 2024

Pathologie

View full text Add to dashboard Cite

Zusammenfassung Ziel der Arbeit Künstliche Intelligenz hat das Potenzial, in der Pathologie weitreichende Fortschritte zu erzielen. Doch die tatsächliche Anwendung und Zertifizierung für die Praxis bleibt begrenzt, oft aufgrund von Herausforderungen bei der Transferierbarkeit von Modellen. In diesem Kontext untersuchen wir die Faktoren, die die Transferierbarkeit beeinflussen, und präsentieren Methoden, die dazu beitragen, die Nutzung von KI-Algorithmen in der Pathologie zu verbessern. Material und Methoden Mithilfe von Datensätzen aus 2 Instituten und dem öffentlich zugänglichen TCGA-MBIC-Datensatz (TCGA, The Cancer Genome Atlas) wurden Convolutional Neural Networks (CNN) und Vision Transformer (ViT) für Vorhersagen an Urothelgewebe (Karzinom- vs. Normalgewebe) und an intrahepatischen Cholangiokarzinomen (iCCA, „small vs. large duct“) trainiert. Veranschaulicht wird der Einfluss von Farbnormalisierung, Bildartefakten in Training und Anwendung sowie der NoisyEnsemble-Methode. Ergebnisse Wir konnten demonstrieren, dass Farbnormalisierung von Gewebeschnitten einen positiven Effekt auf die Interinstitutstransferierbarkeit von CNNs und ViTs hat (respektive +13 % und +10 %) und ViTs meist eine höhere Genauigkeit im externen Test erzielen (hier +1,5 %). Ebenso konnten wir zeigen, dass Artefakte in Testdaten die Vorhersagen von CNNs negativ beeinflusst und dass das Einbeziehen dieser Artefakte während des Trainings zu einer Verbesserung führt. Schließlich erhöhen NoisyEnsembles aus CNNs (besser als aus ViTs) auf verschiedenen Geweben und Fragestellungen die Transferierbarkeit (+7 % Blase, +15 % iCCA). Diskussion Wichtig ist vor allem, sich dem Problem der Transferierbarkeit bewusst zu sein: Gute Performance in der Entwicklung bedeutet nicht gute Performance in der Anwendung. Der Einbezug vieler bereits existierender Methoden zur Verbesserung der Transferierbarkeit, wie z. B. Farbnormalisierung und NoisyEnsemble, und deren Weiterentwicklung sind von großer Wichtigkeit.

show abstract

Section: Einflussfaktoren Auf Transferierbarkeitunclassified