Etkileşimli simülasyonlar — seri
Her simülasyon tek bir yöntemi, tek bir başarısızlık biçimiyle birlikte gösterir
Dijital patoloji yapay zekâ yöntemleri için tarayıcıda eğitilen küçük ağlar: hangi simülasyonlar hazır, hangileri planlı, her biri hangi dersi taşır.
Biçimin üç koşulu
Bir yöntemin bu seriye girmesi için üç şey gerekir: (1) tarayıcıda saniyeler içinde eğitilebilecek kadar küçük bir model, (2) her öğenin gerçeğinin bilindiği sentetik veri, (3) simülasyonun görünür kıldığı, patolojiye özgü bir başarısızlık biçimi. Üçüncü koşul olmadan simülasyon bir gösteriye dönüşür; bu seride her simülasyonun bir “tuzak” düğmesi vardır.
Hazır
Simülasyon 1
Slayt Torba Ağı — MIL ile mutasyon tahmini
Yöntem: dikkat tabanlı çoklu örnek öğrenme (ABMIL; CLAM ve TransMIL'in çekirdeği). Tuzak: laboratuvar boyası mutasyonla karıştırıldığında ağın biyoloji yerine boyayı öğrenmesi. Ders: havuzlama her şeyi belirler; dikkat haritası modelin baktığı yerdir, mutasyonun olduğu yer değil.
Simülasyon 2
Boya Kayması — normalizasyon ve artırma
Yöntem: optik yoğunlukta Macenko boya vektörü kestirimi, B'yi A'ya normalize etme, eğitimde boya artırma. Tuzak: aynı laboratuvar karışıklığı; dört ön işlemle yeniden eğitim. Ders: alan kayması veri düzeyinde onarılabilir; normalizasyon girdiyi düzeltir, artırma ağın boyaya güvenmesini engeller; temiz veride ikisi de bir şey kazandırmaz.
Planlı — doğrudan uzantılar
Bunlar Slayt Torba Ağı’nın verisini ve kabuğunu yeniden kullanır; sırada ilki vardır.
Simülasyon 3 · planlı
Temel model ön-eğitimi (kendinden denetimli)
Yöntem: 2.000 etiketsiz karoda karşıtsal (contrastive) ön-eğitim, sonra dondurup 80 slaytta MIL. Tuzak: ön-eğitim verisi tek laboratuvardan gelirse gömmenin boyayı kodlaması. Ders: UNI, Virchow, Prov-GigaPath neden önemli ve neden dondurulmuş.
Simülasyon 4 · planlı
Dönüştürücü MIL (karolar arası öz-dikkat)
Yöntem: havuzlamadan önce 16 karo üzerinde tek bir öz-dikkat katmanı. Tuzak: "nekrozun yanındaki mutant desen" gibi bağlamsal kuralları ABMIL'in öğrenememesi. Ders: dikkat matrisleri ABMIL haritası gibi okunamaz.
Planlı — hücre düzeyi
Simülasyon 5 · planlı
Çekirdek segmentasyonu (U-Net / HoVer-Net)
Tuzak: temas eden çekirdeklerin anlamsal segmentasyonda birleşmesi; yatay-dikey uzaklık haritası başlığı eklenince ayrılması. Ders: Dice ile PQ farkı.
Simülasyon 6 · planlı
Hücre tespiti ve sınıflama (Ki-67 / PD-L1 skoru)
Tuzak: lenfositlerin tümör hücresi sayılmasının indeksi şişirmesi; aynı slaytın iki laboratuvarda farklı skor alması. Ders: skor, hangi hücreleri saydığınıza bağlıdır.
Simülasyon 7 · planlı
Uzamsal istatistik (tümör mikroçevresi)
Yöntem: eğitilen ağ yok; TIL yoğunluğu, en yakın komşu uzaklığı, Ripley K. Tuzak: invaziv kenarın nereye çizildiğine göre aynı TIL sayısının "enflame" ya da "dışlanmış" çıkması.
Planlı — klinik katman
Simülasyon 8 · planlı
Sağkalım tahmini (Cox / DeepSurv)
Yöntem: slayt gömmesi üzerinde Cox kısmi olabilirliği; sansürleme üreteçten gelir. Tuzak: %60 sansürlü 80 hastada aşırı uyum. Ders: C-indeksi, tahmini riske göre Kaplan–Meier.
Simülasyon 9 · planlı
Kalibrasyon ve klinik eşikler
Yöntem: güvenilirlik diyagramı, sıcaklık ölçekleme. Tuzak: duyarlılık 0,99 için seçilen eşiğin farklı prevalansta çökmesi. Ders: AUROC klinik performans ölçütü değildir.
Simülasyon 10 · planlı
Etkin öğrenme ve anotasyon bütçesi
Yöntem: ağın patoloğa "sıradaki hangi karoyu etiketleyeyim" diye sorması; rastgele, belirsizlik ve çeşitlilik örneklemesi. Ders: 200 anotasyon nasıl harcanır.
Simülasyon 11 · planlı
Doğrulama çalışması tasarımı
Yöntem: eğitim yok; okuyucu çalışması, eşdeğerlik marjı, merkez katmanlaması, prevalans kayması, kayma izleme simülatörü. Ders: tek merkezde doğrulanmış kilitli bir algoritma kullanım amacı sorusunu neden geçemez.
Bu biçime uymayanlar
Rapor yazan üretken dil modelleri (Nucleus Net’te küçük bir örneği var), tüm slayt hizalama ve ölçülebilir bir soyutlama yerine gerçek doku görünümüne bağlı her şey. Bunlar için gerçek şekillerle anlatılan bir yürüyüş, simülasyondan daha iyidir.