基于弗雷谢域距离检测数字病理学中的多实例学习领域迁移
计算机视觉与模式识别
2024-05-17 v1 人工智能
摘要
多实例学习（MIL）因其减少数据收集和标注成本的优势，成为数字病理学应用的吸引力方法。然而，尚不清楚MIL对临床可实现的领域迁移——即可能对性能产生负面影响的数据分布差异——有多大敏感性，以及现有用于检测领域迁移的指标是否与这些算法良好地配合。我们训练了一个基于注意力的MIL算法，用于分类脱颈淋巴结全切片图像中是否包含乳腺癌转移灶。该算法在来自不同国家医院的数据上进行评估，并测试了与不同程度领域迁移相关的该数据子集。我们的贡献包括：展示了MIL在数字病理学中受到临床可实现的数据差异的影响；评估了MIL模型中哪些特征最适合用于检测性能变化；提出一种无监督指标——弗雷谢域距离（FDD）用于量化领域迁移。通过平均皮尔逊相关系数评估偏移测量性能，其中FDD在10折交叉验证模型中实现了0.70的得分。基线包括深度集成、置信度差异和表示迁移，分别得到0.45、-0.29和0.56的平均皮尔逊相关系数。FDD可能是医护人员和供应商的有价值工具，他们需要在无需额外病理学家标注的情况下验证MIL系统在新站点是否可能可靠地运行。
引用
@article{arxiv.2405.09934,
title = {Detecting Domain Shift in Multiple Instance Learning for Digital Pathology Using Fr\'echet Domain Distance},
author = {Milda Pocevičiūtė and Gabriel Eilertsen and Stina Garvin and Claes Lundström},
journal= {arXiv preprint arXiv:2405.09934},
year = {2024}
}