Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
EXAONE Path 2.0 : Modèle de base de pathologie avec supervision de bout en bout
Created by
Haebom
Auteur
Myeongjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee
Contour
Cet article propose une nouvelle approche pour relever les défis du traitement d'images de lames entières (WSI) à l'échelle du gigapixel en pathologie numérique. Nous abordons les limites des méthodes d'apprentissage auto-supervisé (SSL) et d'apprentissage multi-instances (MIL) basées sur des patchs et proposons une approche novatrice. Ces approches reposent sur une augmentation générale de l'image dans de petites régions de patchs, négligeant des caractéristiques importantes du domaine et présentant une faible efficacité des données. En revanche, EXAONE Path 2.0, un modèle basé sur la pathologie, apprend des représentations au niveau des patchs sous supervision directe au niveau des lames. En utilisant seulement 37 000 WSI, nous démontrons une efficacité supérieure des données en atteignant des performances de pointe sur 10 tâches de prédiction de biomarqueurs.
Takeaways, Limitations
•
Takeaways:
◦
Nous surmontons les limites des méthodes d’apprentissage auto-supervisé conventionnelles basées sur des patchs grâce à l’apprentissage supervisé direct au niveau des diapositives, améliorant considérablement l’efficacité des données.
◦
En atteignant des performances de pointe sur 10 tâches de prédiction de biomarqueurs avec des données limitées (37 000 WSI), il ouvre de nouvelles possibilités dans le domaine de l'analyse d'images de pathologie.
◦
Le modèle EXAONE Path 2.0 démontre qu'il s'agit d'un modèle puissant basé sur la pathologie qui peut être utilisé pour diverses prédictions de biomarqueurs.
•
Limitations:
◦
Les performances sur des tâches autres que les 10 tâches de prédiction de biomarqueurs présentées dans cet article n’ont pas été vérifiées.
◦
Les performances de généralisation peuvent être limitées selon les caractéristiques de l'ensemble de données utilisé. Des expériences supplémentaires sur divers ensembles de données sont nécessaires.
◦
Des recherches supplémentaires sont nécessaires pour déterminer l’interprétabilité du modèle.
