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.
La siguiente capa: ampliación de los modelos de base con preservación de la estructura y aprendizaje guiado por la atención para parches locales hasta la conciencia del contexto global en patología computacional
Created by
Haebom
Autor
Muhammad Waqas, Rukhmini Bandyopadhyay, Eman Showkatian, Amgad Muneer, Anas Zafar, Frank Rojas Alvarez, Maricel Corredor Marin, Wentao Li, David Jaffray, Cara Haymaker, John Heymach, Natalie I Vokes, Luisa Maren Solis Soto, Jianjun Zhang, Jia Wu
Describir
EAGLE-Net es una arquitectura basada en la atención y que preserva la estructura mediante aprendizaje multiinstancia (MIL). Esta arquitectura supera las limitaciones de los modelos de base convencionales al incorporar mecanismos que aprovechan tanto la estructura espacial global del tejido como las relaciones contextuales locales entre regiones relevantes para el diagnóstico. Captura la estructura global del tejido mediante codificación espacial absoluta multiescala, centra la atención en el microambiente local mediante la pérdida de reconocimiento de vecinos top-K y minimiza los falsos positivos mediante la pérdida de supresión de fondo. Evaluada en tres tareas de clasificación de tipos de cáncer (10 260 portaobjetos) y siete tareas de predicción de supervivencia de tipos de cáncer (4172 portaobjetos) utilizando tres estructuras histológicas de base diferentes (REMEDIES, Uni-V1 y Uni2-h), logró una mejora de hasta un 3 % en la precisión de la clasificación y el mayor índice de concordancia en seis de los siete tipos de cáncer. Además, genera mapas de atención fluidos y biológicamente consistentes que se alinean con las anotaciones de expertos y resaltan frentes invasivos, necrosis e infiltrados inmunitarios.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un marco MIL generalizable e interpretable que complementa el modelo fundamental para mejorar la comprensión del microambiente tumoral.
◦
Se logra una mejor interpretación y precisión de las predicciones mediante la codificación espacial de múltiples escalas y la pérdida de conocimiento de los mejores K vecinos.
◦
Muestra un excelente desempeño en varios tipos de cáncer y tareas (clasificación y predicción de supervivencia).
◦
Contribuye al descubrimiento de biomarcadores y al modelado pronóstico mediante la generación de mapas de atención biológicamente significativos.
•
Limitations:
◦
Dado que estos son resultados de evaluación de desempeño para un modelo de base y un conjunto de datos específicos, se necesita más investigación para determinar el desempeño de generalización para otros modelos o conjuntos de datos.
◦
No existe un análisis comparativo del desempeño de otros modelos además de los tres modelos principales que se utilizan actualmente.
◦
Se necesita validación en una variedad más amplia de tipos de cáncer y conjuntos de datos más grandes.
