Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
EXAONE Path 2.0: Modelo de Fundamentos de Patología con Supervisión Integral
Created by
Haebom
Autor
Myeongjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee
Describir
Este artículo propone un enfoque novedoso para abordar los desafíos del procesamiento de imágenes de portaobjetos completos (WSI) a escala de gigapíxeles en patología digital. Abordamos las limitaciones de los métodos existentes de aprendizaje autosupervisado (SSL) basado en parches y aprendizaje de múltiples instancias (MIL) y proponemos un enfoque novedoso. Estos enfoques se basan en el aumento general de la imagen en pequeñas regiones de parches, pasando por alto características importantes del dominio y presentando una baja eficiencia de datos. Por el contrario, EXAONE Path 2.0, un modelo basado en patología, aprende representaciones a nivel de parche bajo supervisión directa a nivel de portaobjetos. Utilizando solo 37 000 WSI, demostramos una eficiencia de datos superior al lograr un rendimiento de vanguardia en 10 tareas de predicción de biomarcadores.
Takeaways, Limitations
•
Takeaways:
◦
Superamos las limitaciones de los métodos convencionales de aprendizaje autosupervisado basados en parches a través del aprendizaje supervisado directo a nivel de diapositivas, mejorando significativamente la eficiencia de los datos.
◦
Al lograr un rendimiento de última generación en 10 tareas de predicción de biomarcadores con datos limitados (37 000 WSI), abre nuevas posibilidades en el campo del análisis de imágenes de patología.
◦
El modelo EXAONE Path 2.0 demuestra que es un poderoso modelo basado en patología que puede utilizarse para diversas predicciones de biomarcadores.
•
Limitations:
◦
No se ha verificado el desempeño en tareas distintas a las 10 tareas de predicción de biomarcadores presentadas en este artículo.
◦
El rendimiento de la generalización puede ser limitado según las características del conjunto de datos utilizado. Se requieren experimentos adicionales con diversos conjuntos de datos.
◦
Se necesitan más investigaciones para determinar la interpretabilidad del modelo.
