Avançando a Análise de Imagens de Lâmina Inteira com HistoROI
HistoROI melhora a classificação de tecidos em diagnósticos médicos usando imagens de lâminas inteiras.
Abhijeet Patil, Harsh Diwakar, Jay Sawant, Nikhil Cherian Kurian, Subhash Yadav, Swapnil Rane, Tripti Bameta, Amit Sethi
― 6 min ler
Índice
Imagens de lâminas inteiras (WSIs) são imagens digitais de amostras de tecido usadas em diagnósticos médicos. Elas têm um papel crucial na patologia, especialmente no diagnóstico de câncer. Mas usar essas imagens para desenvolver software de diagnóstico pode ser complicado. O software geralmente enfrenta problemas como viés e erros que podem surgir tanto dos Dados de treinamento quanto dos de teste.
O Problema com os Dados
WSIs contêm vários tipos de tecido, alguns dos quais podem não ser relevantes para o diagnóstico. Isso pode levar a resultados imprecisos. Além disso, problemas como erro humano na rotulagem e variações na qualidade durante a preparação das lâminas podem tornar o uso das WSIs mais difícil.
Ao criar software para analisar WSIs, os pesquisadores costumam focar em patches menores de imagens ao invés da lâmina inteira. Isso facilita o manuseio e a análise dos dados. Porém, conforme os pesquisadores ganham mais poder computacional, o foco voltou a ser o uso de WSIs completas. Essa transição geralmente exige rotulagem detalhada das regiões nas imagens ou o uso de métodos que não precisem de muita rotulagem.
Apresentando o HistoROI
HistoROI é uma nova ferramenta feita para classificar WSIs em seis tipos principais de tecido: epitélio, estroma, linfócitos, tecido adiposo, artefatos e outros. Ela combina a expertise humana com aprendizado ativo, ou seja, aprende com os dados enquanto envolve a contribuição humana no processo de treinamento. Esse jeito ajuda a garantir que os dados usados para treinamento sejam variados e precisos.
HistoROI foi testado em vários tipos de órgãos. Mesmo tendo sido treinado em um único conjunto de dados, mostrou habilidade para generalizar bem para outros conjuntos. Isso significa que o HistoROI pode ser usado em diferentes contextos sem precisar de um retraining completo toda vez.
Melhorando o Diagnóstico com HistoROI
Uma das principais aplicações do HistoROI é melhorar o desempenho de outras ferramentas de diagnóstico que usam aprendizado profundo. Por exemplo, foram realizados testes usando dois conjuntos de dados relacionados ao câncer: o conjunto CAMELYON para câncer de mama e o conjunto TCGA para câncer de pulmão. Os resultados mostraram que, ao filtrar os dados com HistoROI, a precisão do diagnóstico melhorou bastante.
Em um teste com o conjunto CAMELYON, a precisão para diagnosticar metástase, ou a propagação do câncer, aumentou de uma área sob a curva (AUC) de 0,88 para 0,92. Da mesma forma, para a classificação de câncer de pulmão, a AUC melhorou de 0,88 para 0,93. O HistoROI também superou uma ferramenta existente antes para detecção de artefatos, mostrando seu potencial como uma solução superior para melhorar a precisão do diagnóstico.
Controle de Qualidade em Patologia
O controle de qualidade (CQ) é essencial na patologia para garantir que os resultados das ferramentas de diagnóstico sejam confiáveis. O HistoROI busca melhorar o CQ filtrando dados irrelevantes. Métodos tradicionais muitas vezes enfrentam desafios ao lidar com artefatos - imperfeições indesejadas que podem ocorrer durante a preparação do tecido, coloração e processos de digitalização.
Os artefatos podem afetar muito o desempenho das ferramentas de diagnóstico. Eles podem ser introduzidos devido a erro humano ou problemas técnicos durante a preparação e digitalização. Esses problemas podem incluir coisas como fixação inadequada do tecido, cortes irregulares, bolhas de ar e coloração incorreta. Por isso, remover artefatos antes da análise é crucial.
Processo de Anotação Eficiente
Anotar WSIs pode ser uma tarefa que leva tempo. Para acelerar o processo, o HistoROI usa uma abordagem de humano no loop. Isso significa que, enquanto o HistoROI analisa os dados automaticamente, especialistas humanos ainda estão envolvidos para garantir que as anotações sejam precisas.
Nesse processo, o HistoROI utiliza agrupamento para juntar patches de imagens similares. Quando um grupo de patches (como uma pequena grade de 5x5 imagens) parece ser homogêneo, eles podem ser rotulados com o mesmo tipo de tecido. Esse método reduz o tempo necessário para anotar uma WSI e aumenta a qualidade dos dados usados para o treinamento.
Preparação do Conjunto de Dados
Para treinar o HistoROI, os pesquisadores criaram um conjunto de dados com mais de 2 milhões de patches de várias WSIs. Esse conjunto incluiu diferentes tipos de tecidos e artefatos, garantindo que o HistoROI pudesse aprender de forma eficaz. O conjunto inicial veio de 50 WSIs cuidadosamente selecionadas que mostraram a variedade necessária para um treinamento robusto.
Para validar a eficácia do HistoROI, também foi testado com um conjunto de dados de câncer de cólon. Isso mostrou a habilidade do HistoROI de generalizar e classificar patches de uma fonte diferente da qual foi inicialmente treinado.
Resultados dos Testes do HistoROI
A precisão do HistoROI foi alta quando testado em diferentes conjuntos de dados. No conjunto de dados de câncer de cólon, por exemplo, ele conseguiu classificar patches de tecido com uma taxa de precisão de 77%. Isso indica que ele realmente pode generalizar bem, mesmo sendo aplicado a diferentes tipos de câncer.
A comparação de desempenho com outra ferramenta de CQ mostrou que o HistoROI teve um desempenho melhor na detecção de artefatos em várias WSIs. Ele identificou com sucesso mais áreas de tecido relevantes enquanto filtrava as desnecessárias.
Desafios Enfrentados
Embora o HistoROI tenha mostrado potencial, ele não está sem desafios. Um problema é a atribuição de rótulos únicos para os patches. Às vezes, os patches podem conter múltiplos tipos de tecido, dificultando classificá-los com precisão.
Para lidar com isso, os pesquisadores sugerem melhorar as abordagens de rotulagem. Por exemplo, eles recomendam usar máscaras de segmentação ou permitir múltiplos rótulos para tipos de tecido dentro de um único patch. Isso poderia melhorar a precisão das classificações e tornar a ferramenta mais robusta.
Avançando
As futuras melhorias para o HistoROI devem focar em expandir seu conjunto de dados de treinamento. Ao incluir mais tipos de tecidos e artefatos variados, o HistoROI pode ser refinado ainda mais para garantir que funcione efetivamente em diferentes cenários. Os pesquisadores também planejam investigar seu desempenho em outros tipos de imagens adquiridas através de diferentes técnicas de microscopia.
O objetivo é desenvolver uma ferramenta que não só melhore a qualidade das WSIs, mas também ajude patologistas a fazer diagnósticos precisos de forma mais eficiente.
Conclusão
O HistoROI representa um avanço significativo na análise de imagens de lâminas inteiras em patologia. Ao combinar a contribuição humana com processos automatizados, ele oferece um meio de classificar tipos de tecido de forma eficaz enquanto melhora a precisão do diagnóstico. À medida que a tecnologia evolui, ela oferece potencial para um melhor controle de qualidade e diagnóstico na área da patologia médica, levando a melhores resultados para os pacientes.
Título: Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training
Resumo: Histopathology whole slide images (WSIs) are being widely used to develop deep learning-based diagnostic solutions, especially for precision oncology. Most of these diagnostic softwares are vulnerable to biases and impurities in the training and test data which can lead to inaccurate diagnoses. For instance, WSIs contain multiple types of tissue regions, at least some of which might not be relevant to the diagnosis. We introduce HistoROI, a robust yet lightweight deep learning-based classifier to segregate WSI into six broad tissue regions -- epithelium, stroma, lymphocytes, adipose, artifacts, and miscellaneous. HistoROI is trained using a novel human-in-the-loop and active learning paradigm that ensures variations in training data for labeling-efficient generalization. HistoROI consistently performs well across multiple organs, despite being trained on only a single dataset, demonstrating strong generalization. Further, we have examined the utility of HistoROI in improving the performance of downstream deep learning-based tasks using the CAMELYON breast cancer lymph node and TCGA lung cancer datasets. For the former dataset, the area under the receiver operating characteristic curve (AUC) for metastasis versus normal tissue of a neural network trained using weakly supervised learning increased from 0.88 to 0.92 by filtering the data using HistoROI. Similarly, the AUC increased from 0.88 to 0.93 for the classification between adenocarcinoma and squamous cell carcinoma on the lung cancer dataset. We also found that the performance of the HistoROI improves upon HistoQC for artifact detection on a test dataset of 93 annotated WSIs. The limitations of the proposed model are analyzed, and potential extensions are also discussed.
Autores: Abhijeet Patil, Harsh Diwakar, Jay Sawant, Nikhil Cherian Kurian, Subhash Yadav, Swapnil Rane, Tripti Bameta, Amit Sethi
Última atualização: 2024-09-29 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2409.19587
Fonte PDF: https://arxiv.org/pdf/2409.19587
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.