为具备临床级性能的病理人工智能准备数据
图像与视频处理
2022-05-25 v1 人工智能
计算机视觉与模式识别
摘要
[目的] 病理学对疾病诊断具有决定性意义，但严重依赖有经验的病理医生。近年来，病理人工智能（PAI）被认为可提高诊断准确率和效率。然而，基于深度学习的 PAI 在实验室中的高性能通常无法在临床中复现。[方法] 由于数据准备对 PAI 十分重要，本文检索了 PubMed 数据库中 2017 年 1 月至 2022 年 2 月发表的 PAI 相关研究，共纳入 118 项研究。对数据准备方法进行了深入分析，包括获取病理组织切片、清洗、筛选，然后数字化。还讨论了专家审阅、图像标注、用于模型训练和验证的数据集划分。我们进一步讨论了 PAI 高性能无法在临床实践中复现的原因，并展示了一些提升 PAI 临床性能的有效途径。[结果] PAI 的鲁棒性取决于代表性疾病切片的随机收集，包括严格的质量控制与筛选、数字差异校正、合理标注以及数据量。数字病理学是临床级 PAI 的基础，基于全切片图像（WSI）的数据标准化技术和弱监督学习方法是克服性能复现障碍的有效途径。[结论] 代表性数据、标注量以及多中心的一致性是实现性能复现的关键。用于临床诊断的数字病理学、数据标准化和基于 WSI 的弱监督学习技术有望构建临床级 PAI。关键词：病理人工智能；数据准备；临床级；深度学习
引用
@article{arxiv.2205.10748,
title = {Preparing data for pathological artificial intelligence with clinical-grade performance},
author = {Yuanqing Yang and Kai Sun and Yanhua Gao and Kuangsong Wang and Gang Yu},
journal= {arXiv preprint arXiv:2205.10748},
year = {2022}
}