Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
EXAONE Path 2.0: Mô hình nền tảng bệnh lý với giám sát toàn diện
Created by
Haebom
Tác giả
Myeongjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee
Phác thảo
Bài báo này đề xuất một phương pháp mới để giải quyết những thách thức trong việc xử lý ảnh toàn bộ tiêu bản (WSI) quy mô gigapixel trong bệnh lý học kỹ thuật số. Chúng tôi khắc phục những hạn chế của các phương pháp học tự giám sát (SSL) và học đa trường hợp (MIL) dựa trên mảng hiện có, đồng thời đề xuất một phương pháp mới. Các phương pháp này dựa trên việc tăng cường ảnh tổng quát ở các vùng mảng nhỏ, bỏ qua các đặc điểm miền quan trọng và gặp phải vấn đề về hiệu suất dữ liệu thấp. Ngược lại, EXAONE Path 2.0, một mô hình dựa trên bệnh lý học, học các biểu diễn ở cấp độ mảng dưới sự giám sát trực tiếp ở cấp độ tiêu bản. Chỉ sử dụng 37.000 WSI, chúng tôi chứng minh hiệu quả dữ liệu vượt trội bằng cách đạt được hiệu suất tiên tiến trên 10 tác vụ dự đoán dấu ấn sinh học.
Takeaways, Limitations
•
Takeaways:
◦
Chúng tôi khắc phục những hạn chế của phương pháp học tự giám sát dựa trên bản vá thông thường thông qua phương pháp học có giám sát trực tiếp ở cấp độ slide, cải thiện đáng kể hiệu quả dữ liệu.
◦
ĐạT được hiệu suất tiên tiến trên 10 nhiệm vụ dự đoán dấu ấn sinh học với dữ liệu hạn chế (37.000 WSI), nó mở ra những khả năng mới trong lĩnh vực phân tích hình ảnh bệnh lý.
◦
Mô hình EXAONE Path 2.0 chứng minh rằng đây là một mô hình mạnh mẽ dựa trên bệnh lý có thể được sử dụng để dự đoán nhiều dấu ấn sinh học khác nhau.
•
Limitations:
◦
Hiệu suất thực hiện các nhiệm vụ khác ngoài 10 nhiệm vụ dự đoán dấu ấn sinh học được trình bày trong bài báo này vẫn chưa được xác minh.
◦
Hiệu suất tổng quát hóa có thể bị hạn chế tùy thuộc vào đặc điểm của tập dữ liệu được sử dụng. Cần thực hiện thêm các thử nghiệm trên nhiều tập dữ liệu khác nhau.
◦
Cần nghiên cứu thêm để xác định khả năng diễn giải của mô hình.
