トレーニングデータにおける変動性増加による診断病理学のための深層学習モデルの一般化の改善:骨肉腫サブタイプに関する実験【JST・京大機械翻訳】

Tang, H.; Sun, N.; Shen, S.

プレプリント

J-GLOBAL ID：202202200502844257 整理番号：22P0269694

トレーニングデータにおける変動性増加による診断病理学のための深層学習モデルの一般化の改善:骨肉腫サブタイプに関する実験【JST・京大機械翻訳】

Improving generalization of deep learning models for diagnostic pathology by increasing variability in training data: experiments on osteosarcoma subtypes

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年09月18日プレプリントサーバーでの情報更新日： 2020年09月18日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

人工知能(AI)は,診断病理学において新たな進展を有する。近年,組織病理学的画像に深い学習モデルを適用する多くの研究が発表されている。多くの研究が高い精度を主張しているが,それらは,組織病理学的画像の高い変動性のため,過剰適合の落とし穴と一般化の欠如に陥る可能性がある。落とし穴を説明するために,骨肉腫の例を使用し,モデル入力変動の追加がモデル性能の改善を助けることができる。骨肉腫に対する以前に発表された分類モデルを再訓練するために,公的に利用可能な骨肉腫データセットを使用した。元の研究より,訓練と試験データセットに同じセットの画像を分割し,試験データセットは1人の患者からの画像からなり,訓練データセットはすべての他の患者の画像から成る。新しい分割スキーマを用いた試験セットに関するモデルの性能は劇的に減少し,モデル一般化と過剰適合の欠如を示した。また,分化の良性組織と良性骨腫瘍と同様に,10骨肉腫サブタイプの最小データセットを収集することにより,モデル性能に及ぼす訓練データ変動の影響も示した。同じモデルスキーマの下でのステップによる訓練データステップへのますます多くのサブタイプの追加は,性能増加を伴う一連のコヒーレントモデルを生成することを示した。結論として,著者らは,過剰適合の落とし穴を避けて,より高い一般化能力の深い学習モデルを築き上げるために,高変動性の組織病理学的画像のためのデータ前処理と収集戦術を前進させた。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , , , , , ,

前のページに戻る