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.
La couche suivante : Augmentation des modèles de base avec un apprentissage préservant la structure et guidé par l'attention pour les correctifs locaux à la connaissance du contexte global en pathologie computationnelle
Created by
Haebom
Auteur
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
Contour
EAGLE-Net est une architecture préservant la structure et basée sur l'attention, basée sur l'apprentissage multi-instance (MIL). Elle surmonte les limites des modèles de base conventionnels en intégrant des mécanismes exploitant à la fois la structure spatiale globale du tissu et les relations contextuelles locales entre les régions pertinentes pour le diagnostic. Elle capture la structure tissulaire globale grâce à un codage spatial absolu multi-échelle, concentre l'attention sur le microenvironnement local grâce à la perte de reconnaissance des voisins top-K et minimise les faux positifs grâce à la perte de suppression de bruit de fond. Évaluée sur trois tâches de classification des types de cancer (10 260 lames) et sept tâches de prédiction de la survie des types de cancer (4 172 lames) à l'aide de trois bases histologiques différentes (REMEDIES, Uni-V1 et Uni2-h), elle a obtenu une précision de classification améliorée jusqu'à 3 % et l'indice de concordance le plus élevé pour six des sept types de cancer. Elle produit également des cartes d'attention fluides et biologiquement cohérentes, conformes aux annotations des experts et mettant en évidence les fronts invasifs, la nécrose et les infiltrats immunitaires.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons un cadre MIL généralisable et interprétable qui complète le modèle fondamental pour améliorer la compréhension du microenvironnement tumoral.
◦
L'amélioration de la précision et de l'interprétabilité des prédictions est obtenue grâce à un codage spatial multi-échelle et à une perte sensible aux voisins top-K.
◦
Il présente d’excellentes performances dans divers types de cancer et tâches (classification et prédiction de survie).
◦
Contribue à la découverte de biomarqueurs et à la modélisation pronostique en générant des cartes d'attention biologiquement significatives.
•
Limitations:
◦
ÉTant donné qu’il s’agit de résultats d’évaluation des performances pour un modèle de base et un ensemble de données spécifiques, des recherches supplémentaires sont nécessaires pour déterminer les performances de généralisation pour d’autres modèles ou ensembles de données.
◦
Il existe un manque d’analyse comparative des performances pour les modèles autres que les trois modèles de base actuellement utilisés.
◦
Une validation sur une plus grande variété de types de cancer et sur des ensembles de données plus vastes est nécessaire.
