Aggregation Model Hyperparameters Matter in Digital Pathology

要約

デジタル病理学は、ギガピクセルの全スライド画像 (WSI) の分析を通じて疾患の検出と病理医の効率を大幅に向上させました。
このプロセスでは、まず WSI がパッチに分割され、特徴抽出モデルが適用されて特徴ベクトルが取得され、その後、集約モデルによって処理されてそれぞれの WSI ラベルが予測されます。
表現学習の急速な進化に伴い、多くの場合基礎モデルと呼ばれる新しい特徴抽出モデルが登場しました。
ただし、従来の評価方法は固定集計モデルのハイパーパラメータに依存しており、このフレームワークは結果に偏りをもたらす可能性があると当社が特定しています。
私たちの研究では、特徴抽出モデルと集約モデルのハイパーパラメーター間の共依存関係が明らかになり、選択したハイパーパラメーターに基づいてパフォーマンスの比較可能性が歪む可能性があることが示されています。
この共依存関係を考慮すると、現在の多くの特徴抽出モデルのパフォーマンスが著しく類似していることがわかります。
私たちは、162 の異なる集計モデル構成を持つ 3 つの異なるデータセットにわたって 7 つの特徴抽出モデルを評価することで、この洞察をサポートします。
この包括的なアプローチにより、特徴抽出器と集約モデルの関係をより微妙に理解できるようになり、デジタル パソロジーにおける特徴抽出器モデルのより公平かつ正確な評価につながります。

要約(オリジナル)

Digital pathology has significantly advanced disease detection and pathologist efficiency through the analysis of gigapixel whole-slide images (WSI). In this process, WSIs are first divided into patches, for which a feature extractor model is applied to obtain feature vectors, which are subsequently processed by an aggregation model to predict the respective WSI label. With the rapid evolution of representation learning, numerous new feature extractor models, often termed foundational models, have emerged. Traditional evaluation methods, however, rely on fixed aggregation model hyperparameters, a framework we identify as potentially biasing the results. Our study uncovers a co-dependence between feature extractor models and aggregation model hyperparameters, indicating that performance comparability can be skewed based on the chosen hyperparameters. By accounting for this co-dependency, we find that the performance of many current feature extractor models is notably similar. We support this insight by evaluating seven feature extractor models across three different datasets with 162 different aggregation model configurations. This comprehensive approach provides a more nuanced understanding of the relationship between feature extractors and aggregation models, leading to a fairer and more accurate assessment of feature extractor models in digital pathology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google