降低自监督学习复杂度可提升计算病理学中弱监督分类性能
机器学习
2024-03-13 v2 人工智能
计算机视觉与模式识别
摘要
深度学习模型已被成功用于从常规可获取的组织学数据中提取具有临床可操作性的见解。通常，这些模型需要临床医生进行标注，而此类标注稀缺且生成成本高昂。自监督学习 (SSL) 方法的出现消除了这一障碍，使得在无标注数据上进行大规模分析成为可能。然而，近期的 SSL 方法采用了日益庞大的模型架构与更大的数据集，导致数据量、硬件前提条件与总体成本迅速攀升，使得仅有少数机构能够获取这些资源。因此，我们在计算病理学中利用消费级硬件，研究了对比 SSL 的复杂度与分类性能之间的关系。具体而言，我们分析了数据量、架构与算法方面的调整对下游分类任务的影响，并强调了它们对计算资源的影响。我们在一个大型公开患者队列上训练了乳腺癌基础模型，并在两个外部公开患者队列上以弱监督方式在各种下游分类任务上对其进行了验证。我们的实验表明，我们能够在将 SSL 训练时间缩短 90% 的同时提升下游分类性能。总之，我们提出了一系列调整方案，使得在非资源充足环境中也能在计算病理学中应用 SSL。
引用
@article{arxiv.2403.04558,
title = {Reducing self-supervised learning complexity improves weakly-supervised classification performance in computational pathology},
author = {Tim Lenz and Omar S. M. El Nahhas and Marta Ligero and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2403.04558},
year = {2024}
}
备注
Submitted to MICCAI 2024