A Novel Open-Set Domain Adaptation Framework for Histopathology Image Classification: A Style-Aware and Density-Guided Approach
Dit artikel stelt SADG voor, een nieuw Open-Set Domain Adaptation-raamwerk voor histopathologische beeldclassificatie dat zowel door kleuring veroorzaakte covariantieverschuivingen als onbekende weefselcategorieën effectief aanpakt door een Style Rectification Module voor verschijningsnormalisatie te integreren met een GMM-gebaseerde ClusterNet met Extreme Value Theory voor dichtheidsgestuurde detectie van onbekende monsters.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de wereld van de moderne geneeskunde is het belangrijkste instrument van een patholoog vaak een microscoop. Zij onderzoeken minuscule weefselcoupes, gekleurd met kleurrijke kleurstoffen, om ziekten zoals kanker te identificeren. Tegenwoordig leren computers dit werk ook te doen, door kunstmatige intelligentie te gebruiken om deze digitale beelden te scannen en afwijkingen op te sporen. Deze computerprogramma's worden echter geconfronteerd met een hardnekkige realiteit: de beelden die ze in de echte wereld zien, lijken zelden exact op de beelden waarop ze zijn getraind. Een preparaat dat in het ene ziekenhuis is klaargemaakt, kan net iets anders zijn gekleurd of met een andere machine zijn gescand dan een preparaat van een ander ziekenhuis, waardoor de kleuren en texturen verschuiven. Bovendien kan een computer die getraind is om vijf soorten weefsel te herkennen, plotseling een zesde soort tegenkomen die hij nog nooit heeft gezien. Als de software niet in staat is om met deze veranderingen om te gaan of het nieuwe, onbekende weefsel te herkennen, kan het gevaarlijke fouten maken, door ofwel een ziekte verkeerd te identificeren, ofwel een nieuw probleem volledig over het hoofd te zien.
Onderzoekers van de Shiraz University of Technology en Deakin University hebben een nieuwe aanpak ontwikkeld om deze computersystemen te helpen navigeren door deze chaotische realiteit. Ze creëerden een framework genaamd SADG, ontworpen voor de complexe taak van 'open-set domain adaptation'. In gewone taal betekent dit het aanleren aan een computer om zich aan te passen aan nieuwe visuele stijlen, terwijl het tegelijkertijd leert om dingen te herkennen die het nog nooit eerder is geleerd te herkennen. Het team testte hun methode op duizenden afbeeldingen van darmweefsel, een veelvoorkomst locatie voor kanker, met behulp van twee grote publieke datasets die verschillende ziekenhuizen en kleurstofcondities vertegenwoordigen. Hun doel was om een systeem te bouwen dat in staat was om bekende weefseltypen nauwkeurig te classificeren, zelfs wanneer de kleuren van de afbeelding veranderden, terwijl het ook correct kon identificeren wanneer een stuk weefsel tot een categorie behoorde die volledig afwezig was in de trainingsdata.
De kern van hun succes ligt in de manier waarop ze de twee belangrijkste problemen aanpakken waar computers voor staan: visuele verschillen en onbekende categorieën. Eerst pakten ze de visuele verschuivingen aan. Wanneer een weefselmonster wordt gescand, kunnen variaties in belichting, contrast of de gebruikte chemische kleurstoffen ervoor zorgen dat hetzelfde weefsel er anders uitziet. De onderzoekers bouwden een speciaal onderdeel in hun systeem dat werkt als een filter. Het verwijdert de oppervlakkige visuele verschillen die worden veroorzaakt door het scanproces, terwijl de diepe, structurele details die er echt toe doen voor de diagnose zorgvuldig worden behouden. Hierdoor kan de computer zich concentreren op de vorm en de rangschikking van cellen, in plaats van in de war te raken door de kleur van de kleurstof.
De tweede, en misschien wel moeilijkere, uitdaging is het omgaan met onbekende weefseltypen. Traditionele methoden proberen elke nieuwe afbeelding vaak in een van de bekende categorieën te dwingen, of ze stoppen alle onbekende monsters in één enkele, vage "overige" bak. De onderzoekers vonden deze aanpak gebrekkig omdat onbekende weefsels niet allemaal hetzelfde zijn; ze hebben hun eigen interne structuren en patronen. In plaats van ze in één hokje te dwingen, brengt het nieuwe systeem het landschap van de data in kaart. Het groepeert de afbeeldingen in clusters op basis van hun natuurlijke dichtheid, waardoor een gedetailleerde kaart ontstaat van waar bekende weefsels zich bevinden en waar gaten bestaan. Door dit landschap te begrijpen, kan het systeem een score berekenen voor elke nieuwe afbeelding. Als een afbeelding in een dicht gebied van bekend weefsel valt, wordt deze met vertrouwen geclassificeerd. Als de afbeelding in een ijl gebied landt of ver verwijderd is van een bekende groep, herkent het systeem dit als iets nieuws.
Om deze beslissing te nemen zonder te vertrouwen op willekeurige grenswaarden, gebruikte het team een statistische techniek die kijkt naar de uiterste randen van de datadistributie. Dit stelt het systeem in staat om de waarschijnlijkheid in te schatten dat een monster onbekend is, zonder dat daar een vaste regel voor nodig is die in verschillende situaties zou kunnen falen. Ze introduceerden ook een manier om de computer te leren nederig te zijn over zijn vermoedens. Wanneer het systeem onzeker is, wordt het aangemoedigd om onzekerheid toe te geven in plaats van een foutief antwoord te forceren. Omgekeerd, wanneer het systeem zeker is van een bekend weefseltype, wordt het versterkt om nog zekerder te zijn. Deze balans voorkomt dat de computer een nieuw, onbekend weefsel met vol vertrouwen als een bekend weefsel bestempelt.
De resultaten van hun tests waren opmerkelijk. Toen ze hun methode toepasten op de datasets van darmweefsel, presteerde het systeem consequent beter dan bestaande state-of-the-art technieken. In een specifiek scenario waarbij de computer moest adapteren van een grote dataset naar een kleinere dataset met andere kenmerken, bereikte het een nauwkeurigheid van 98,40% bij het identificeren van bekende weefseltypen. Nog belangrijker was dat het uitzonderlijk goed was in het opsporen van het onbekende, waarbij het in een andere testconfiguratie een detectiescore van 97,60% behaalde. Deze cijfers geven aan dat het systeem niet alleen leerde om afleidende visuele veranderingen te negeren, maar ook een scherp gevoel ontwikkelde voor wanneer het met iets geheel nieuws te maken kreeg.
De onderzoekers onderzochten ook hoe verschillende onderdelen van hun systeem bijdroegen aan dit succes. Ze ontdekten dat het verwijderen van de module die visuele verschillen wegfiltert, leidde tot een aanzienlijke daling in prestaties, wat bewees dat het afhandelen van stijlvariaties essentieel is. Evenzo merkten ze dat wanneer ze het mechanisme verwijderden dat de dichtheid van de data in kaart brengt, het systeem moeite kreeg om bekend van onbekend te scheiden, waarbij het de twee vaak met elkaar verwarde. Ze ontdekten dat het aantal clusters dat werd gebruikt om de data in kaart te brengen, een grote invloed had; het gebruik van te veel of te weinig groepen maakte het systeem minder effectief. Door het juiste evenwicht te vinden, zorgden ze ervoor dat de computer zowel het bos als de bomen tegelijkertijd kon zien.
Dit werk suggereert dat voor kunstmatige intelligentie om echt nuttig te zijn in klinische settings, het robuust genoeg moet zijn om de natuurlijke variabiliteit van medische gegevens te kunnen hanteren. Het kan geen rigide hulpmiddel zijn dat alleen werkt onder perfecte, gecontroleerde omstandigheden. Het SADG-framework laat zien dat door de natuurlijke structuur van de data te respecteren en de computer te leren zijn eigen grenzen te herkennen, we systemen kunnen bouwen die zowel accuraat als veilig zijn. De onderzoekers merken op dat hoewel hun methode een belangrijke stap voorwaarts is, het uiteindelijke doel is om modellen te creëren die zelfs sneller kunnen adapteren aan nieuwe domeinen met minimale supervisie. Hun bevindingen bieden een veelbelovend pad naar AI die pathologen in de echte wereld kan ondersteunen, waar elk preparaat uniek is en het onverwachte altijd mogelijk is.
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.