Learning from Lost Provenance: Multiple Instance Learning for Cancer Registry Tumor Group Classification
Dit artikel stelt een Attention-Based Multiple Instance Learning (ABMIL)-framework voor dat routineuze, patiëntniveau-kankerregistratielabels benut om verloren rapportniveau-provenance te herstellen, waardoor een hoogwaardige trainingsdataset wordt gedestilleerd die deep learning-modellen in staat stelt om hoogwaardige classificatie van tumorgroepen te bereiken zonder dat aanvullende handmatige annotatie vereist is.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar je hebt een enorme stapel aanwijzingen (pathologierapporten) en slechts één definitief oordeel voor de hele zaak (de tumorgroep). Het probleem? Je weet niet welke specifieke aanwijzing tot dat oordeel heeft geleid. In een kankerregister lezen artsen (oncologie-dataspecialisten genoemd) tientallen rapporten voor één enkele patiënt en wijzen ze vervolgens één label toe aan de hele patiënt. Maar de computer weet niet welk rapport de "smoking gun" was en welke slechts een rode haring was.
Lama tijd probeerden onderzoekers dit op te lossen door ofwel de meeste aanwijzingen weg te gooien (alleen patiënten met één rapport te behouden) of door ervan uit te gaan dat elke aanwijzing de smoking gun was. Het artikel betoogt dat het tweede idee een valstrik is. Als je de computer vertelt dat elk enkel rapport voor een patiënt de reden is voor de diagnose, train je het op ruis. Het is alsoer dat je een student vertelt dat elke pagina in een tekstboek de uitleg geeft, zelfs de pagina's over ongerelateerde onderwerpen. Het artikel sluit deze "label propagation"-methode expliciet uit als een goede manier om modellen te trainen omdat het het systeem in verwarring brengt, vooral voor zeldzame soorten kanker.
In plaats daarvan stellen de auteurs een slimme nieuwe manier van leren voor genaamd Attention-Based Multiple Instance Learning (ABMIL). Denk hierbij aan een slimme detective die naar de hele stapel aanwijzingen tegelijk kijkt. Het model probeert het antwoord niet te raden op basis van slechts één rapport. In plaats daarvan kijkt het naar de gehele "zak" met rapporten voor een patiënt en vraagt: "Welke van deze rapporten doen er eigenlijk toe?" Het wijst een score van belang toe aan elk van hen.
Hier is de magische truc: het model leert de saaie, irrelevante rapporten te negeren en zich alleen te concentreren op de rapporten die de diagnose daadwerkelijk verklaren. Zodra het doorheeft welke rapporten de "sterren van de show" zijn, kan het twee coole dingen doen:
- Direct Detectiewerk: Het kan die "zak met aanwijzingen"-aanpak gebruiken om nieuwe gevallen direct te classificeren, zonder precies te hoeven weten welk rapport welk rapport is.
- De Grote Filter: Het kan fungeren als een zeef. Het neemt de enorme stapel rapporten, gooit de rapporten weg die het als irrelevant beschouwt en houdt alleen de hoog scorende rapporten over. Vervolgens neemt het de label van de patiënt en plakt het op die weinige, hoogwaardige rapporten. Plotseling heb je een schone, perfecte dataset waar elk rapport een correct label heeft, zonder dat een mens ze één voor één hoeft te lezen en te labelen.
De onderzoekers testten dit op gegevens uit de British Columbia Cancer Registry. Ze bekeken 82.855 unieke patiënten en 359.714 pathologierapporten. Ze verdeelden deze gegevens door 90% te gebruiken voor training en 10% om hun werk te controleren. Ze testten hun uiteindelijke systeem ook op een nieuwe batch van 2.057 rapporten die handmatig waren gecontroleerd door experts (de "ODS-geannoteerde dataset").
De resultaten waren veelbelovend. Het model dat deze filtertruc gebruikte (genoemd ABMIL-DISTIL) behaalde een score van 0,83 (een macro F1-score) op de nieuwe testgegevens. Dit was beter dan de oude methoden die er simpelweg vanuit gingen dat elk rapport belangrijk was. Het artikel suggereert dat deze aanpak een praktische manier is om rommelige, echte ziekenhuisgegevens om te zetten in hoogwaardige trainingsgegevens zonder dat er een enorm leger aan mensen nodig is om alles te labelen of supercomputers om alles te verwerken.
Het is belangrijk op te merken dat, hoewel de resultaten sterk zijn, het artikel dit behandelt als een gemeten succes op specifieke gegevens, en niet als een wondermiddel dat alles voor altijd oplost. De auteurs wijzen erop dat hun testgegevens een iets ander labelingsysteem gebruikten dan hun trainingsgegevens, wat een klein beetje "ruis" toevoegt aan de uiteindelijke score, wat betekent dat de prestaties in de echte wereld enigszins kunnen variëren. Maar over het algien suggereren ze dat dit een zeer toegankelijke en effectieve route is om de automatisering van kankerregisterwerk te automatiseren, waarbij een berg ongeorganiseerde papierwerk wordt omgezet in een scherp, gefocust instrument.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.