- Полностью аннотированный набор данных всего слайда изображения рака молочной железы у собак для помощи в исследованиях рака молочной железы у человека (arXiv)
Автор: Марк Обревиль, Кристоф А. Бертрам, Тарин А. Донован, Кристиан Марцаль, Андреас Майер, Роберт Клопфлейш
Аннотация: Карцинома молочной железы собак (CMC) использовалась в качестве модели для изучения патогенеза рака молочной железы человека, и одна и та же схема классификации обычно используется для оценки злокачественности опухоли в обоих случаях. Одним из ключевых компонентов этой схемы классификации является плотность митотических фигур (МФ). Текущие общедоступные наборы данных о раке молочной железы человека содержат аннотации только для небольших подмножеств полных изображений слайдов (WSI). Мы представляем новый набор данных из 21 WSI CMC, полностью аннотированный для MF. Для этого патологоанатом провел скрининг всех ВИС на наличие потенциального МФ и структур с похожим внешним видом. Второй эксперт вслепую присваивал метки, а для несовпадающих меток третий эксперт присваивал окончательные метки. Кроме того, мы использовали машинное обучение для выявления ранее необнаруженных MF. Наконец, мы выполнили обучение представлению и двухмерную проекцию, чтобы еще больше повысить согласованность аннотаций. Наш набор данных состоит из 13 907 MF и 36 379 жестких негативов. Мы достигли среднего балла F1 0,791 на тестовом наборе и до 0,696 на наборе данных рака молочной железы человека.
2. Автоматическое обнаружение неправильно расположенных маммограмм на основе глубокого обучения для сведения к минимуму повторных посещений пациентов для повторных изображений: приложение для реальных условий (arXiv)
Автор: Викаш Гупта, Клейтон Тейлор, Сара Боннет, Лучано М. Преведелло, Джеффри Хоули, Ричард Д. Уайт, Мона Джи Флорес, Барбарос. Сельнур Эрдал»
Аннотация : Скрининговая маммография — это рутинное визуализирующее обследование, которое проводится для выявления рака молочной железы на ранних стадиях с целью снижения заболеваемости и смертности, связанных с этим заболеванием. Чтобы максимизировать эффективность программ скрининга рака молочной железы, первостепенное значение имеет правильное маммографическое позиционирование. Правильное положение обеспечивает адекватную визуализацию ткани молочной железы и необходимо для эффективного выявления рака молочной железы. Таким образом, радиологи, выполняющие визуализацию груди, должны оценить каждую маммограмму на предмет адекватности положения, прежде чем дать окончательную интерпретацию исследования; это часто требует повторных посещений пациента для дополнительной визуализации. В этой статье мы предлагаем метод алгоритма глубокого обучения, который имитирует и автоматизирует этот процесс принятия решений для выявления плохо расположенных маммограмм. Наша цель для этого алгоритма — помочь технологам маммографии в распознавании неадекватно расположенных маммограмм в режиме реального времени, улучшить качество маммографического позиционирования и производительности и, в конечном итоге, сократить количество повторных посещений для пациентов с изначально неадекватной визуализацией. Предложенная модель показала истинную положительную частоту обнаружения правильного позиционирования в 91,35% в медиолатеральной косой проекции и 95,11% в краниокаудальной проекции. В дополнение к этим результатам мы также представляем автоматически сгенерированный отчет, который может помочь маммографу в принятии корректирующих мер во время визита пациента.
3.Deep-LIBRA: метод искусственного интеллекта для надежной количественной оценки плотности груди с независимой проверкой при оценке риска рака молочной железы (arXiv)
Автор: Омид Хаджи Магсуди, Аймилия Гастуниоти, Кристофер Скотт, Лорен Панталоне, Фанг-Фанг Ву, Эрик А. Коэн, Стейси Уинхэм, Эмили Ф. Конант, Селин Вашон, Деспина Контос
Аннотация:Плотность молочной железы является важным фактором риска развития рака молочной железы, который также влияет на специфичность и чувствительность скрининговой маммографии. Действующее федеральное законодательство обязывает сообщать о плотности груди для всех женщин, проходящих обследование груди. Клинически плотность груди оценивается визуально с использованием шкалы Американского колледжа радиологии для визуализации груди и системы данных (BI-RADS). Здесь мы представляем метод искусственного интеллекта (ИИ) для оценки процентной плотности груди (ПД) по цифровым маммограммам. Наш метод использует глубокое обучение (DL) с использованием двух архитектур сверточной нейронной сети для точного сегментирования области груди. Алгоритм машинного обучения, сочетающий генерацию суперпикселей, анализ особенностей текстуры и машину опорных векторов, затем применяется для дифференциации плотных и неплотных областей ткани, по которым оценивается PD. Наш метод был обучен и проверен на многоэтническом, многоучрежденческом наборе данных из 15 661 изображений (4 437 женщин), а затем протестирован на независимом наборе данных из 6 368 цифровых маммограмм (1 702 женщины; случаи = 414) как для оценки PD, так и для дискриминации. рака молочной железы. В независимом наборе данных оценки PD из Deep-LIBRA и экспертного читателя были сильно коррелированы (коэффициент корреляции Спирмена = 0,90). Более того, Deep-LIBRA продемонстрировала более высокую эффективность распознавания рака молочной железы (площадь под ROC-кривой, AUC = 0,611 [95% доверительный интервал (ДИ): 0,583, 0,639]) по сравнению с четырьмя другими широко используемыми исследовательскими и коммерческими методами оценки PD (AUCs). = 0,528 до 0,588). Наши результаты свидетельствуют о сильном совпадении оценок PD между Deep-LIBRA и оценкой золотого стандарта, проведенной опытным читателем, а также об улучшении эффективности оценки риска рака молочной железы по сравнению с современными методами с открытым исходным кодом и коммерческими методами.
4. Обобщение увеличения для встраивания гистопатологических изображений (arXiv)
Автор: Милад Сикаруди, Беньямин Годжох, Фахри Каррай, Марк Кроули, Х. Р. Тижоош
Аннотация:встраивание изображений гистопатологии является активной областью исследований в области компьютерного зрения. Большинство моделей встраивания концентрируются исключительно на определенном уровне увеличения. Тем не менее, полезная задача встраивания гистопатологии состоит в том, чтобы обучить пространство для встраивания независимо от уровня увеличения. Двумя основными подходами для решения этой задачи являются адаптация домена и обобщение домена, когда целевые уровни увеличения могут быть введены или не введены в модель при обучении соответственно. Хотя адаптация увеличения является хорошо изученной темой в литературе, эта статья, насколько нам известно, является первой работой по обобщению увеличения для встраивания гистопатологических изображений. Мы используем метод обобщения эпизодической обучаемой области для обобщения увеличения, а именно модельно-независимое изучение семантических признаков (MASF), которое работает на основе концепции модельно-независимого метаобучения (MAML). Наши экспериментальные результаты на наборе данных гистопатологии рака молочной железы с четырьмя различными уровнями увеличения показывают эффективность предложенного метода для обобщения увеличения.
5. Важность прозрачности и воспроизводимости в исследованиях искусственного интеллекта (arXiv)
Автор: Бенджамин Хайбе-Кейнс, Джордж Александру Адам, Ахмед Хосни, Фарнуш Ходакарами, Совет общества MAQC, Леви Уолдрон, Бо Ван, Крис Макинтош, Аншул Кундадже, Кейси С. Грин, Майкл М. Хоффман, Джеффри Т. Лик, Вольфганг Хубер, Алвис Бразма, Джоэль Пино, Роберт Тибширани, Тревор Хасти, Джон П. А. Иоаннидис, Джон Квакенбуш, Хьюго Дж. У. Л. Эртс
Аннотация: В своем исследовании McKinney et al. показали высокий потенциал искусственного интеллекта для скрининга рака молочной железы. Однако отсутствие подробных методов и компьютерного кода подрывает его научную ценность. Мы выявляем препятствия, мешающие прозрачным и воспроизводимым исследованиям в области ИИ, с которыми столкнулись МакКинни и др., и предлагаем решения, применимые в более широкой области.
