Evaluating Cell AI Foundation Models in Kidney Pathology with Human-in-the-Loop Enrichment
Created by
Haebom
Category
Empty
저자
Junlin Guo, Siqi Lu, Can Cui, Ruining Deng, Tianyuan Yao, Zhewen Tao, Yizhe Lin, Marilyn Lionts, Quan Liu, Juming Xiong, Yu Wang, Shilin Zhao, Catie Chang, Mitchell Wilkes, Mengmeng Yin, Haichun Yang, Yuankai Huo
개요
본 논문은 디지털 병리 분야의 세포 기반 모델의 성능을 평가하고 개선 전략을 제시한다. 구체적으로, 신장 조직 내 핵 분할과 같은 기본적인 작업에 대한 최신 세포 기반 모델의 성능을 다중 센터, 다중 질병, 다중 종 데이터셋을 사용하여 평가한다. 또한, 인간-중심 데이터 보강 전략을 개발하고 평가하여 모델 성능 향상을 시도하며, 2,542개의 신장 전체 슬라이드 이미지 (WSI)로 구성된 데이터셋을 구축하여 Cellpose, StarDist, CellViT 모델을 평가했다. 실험 결과, 데이터 보강을 통해 세 모델 모두 성능이 향상되었으며, 초기 성능이 가장 높았던 모델이 미세 조정 후 최상의 분할 결과를 보장하지는 않았다.
시사점, 한계점
•
시사점:
◦
세포 기반 모델의 신장 조직 내 핵 분할 성능에 대한 벤치마크를 제시했다.
◦
인간-중심 데이터 보강을 통해 모델 성능을 향상시키는 전략을 제시했다.
◦
모델 미세 조정 시 초기 성능이 높은 모델이 반드시 최적의 결과를 내는 것은 아님을 확인했다.
•
한계점:
◦
특정 장기(신장)에 대한 분석에 국한되어 일반화의 한계가 있을 수 있다.
◦
제시된 데이터 보강 전략이 다른 데이터셋이나 모델에 동일한 효과를 보장하는지 추가 연구가 필요하다.
