Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration

要約

深層学習ベースのイメージング ツールをさまざまな臨床現場に導入するには、固有のドメインのシフトと、現場固有の微調整に伴う規制のハードルにより、大きな課題が生じます。
組織病理学の場合、染色正規化技術により不一致を軽減できますが、部位間の変動を排除するには至らないことがよくあります。
したがって、クロスサイト分析における障壁を克服するために、テンプレート学習フレームワークを介してテスト時間データのキャリブレーションと組み合わせた説明可能な染色正規化手法である Data Alchemy を紹介します。
Data Alchemy は、正規化ネットワークや分類子ネットワークの重みを変更することなく、マルチサイト データに固有のシフトを処理し、それらを最小限に抑えます。
私たちのアプローチは、データドメインの不一致が不明なさまざまな臨床現場の目に見えない部位まで拡張されます。
広範な実験により、ヘマトキシリンおよびエオシンで染色されたパッチにおける腫瘍分類における我々のフレームワークの有効性が強調されています。
私たちの説明可能な正規化手法は、分類タスクの適合率-再現率曲線下領域 (AUPR) を 0.165、0.545 から 0.710 へと押し上げます。
さらに、Data Alchemy は、0.710 AUPR をさらに 0.142 改善することで、マルチサイト分類ドメインのギャップをさらに削減し、分類パフォーマンスを 0.545 から 0.852 にさらに向上させます。
当社の Data Alchemy フレームワークは、複数の施設にわたる事前トレーニング済みの深層学習ベースの臨床ツールのシームレスな統合を可能にすることで、最小限の運用オーバーヘッドで精密医療を普及させることができます。

要約(オリジナル)

Deploying deep learning-based imaging tools across various clinical sites poses significant challenges due to inherent domain shifts and regulatory hurdles associated with site-specific fine-tuning. For histopathology, stain normalization techniques can mitigate discrepancies, but they often fall short of eliminating inter-site variations. Therefore, we present Data Alchemy, an explainable stain normalization method combined with test time data calibration via a template learning framework to overcome barriers in cross-site analysis. Data Alchemy handles shifts inherent to multi-site data and minimizes them without needing to change the weights of the normalization or classifier networks. Our approach extends to unseen sites in various clinical settings where data domain discrepancies are unknown. Extensive experiments highlight the efficacy of our framework in tumor classification in hematoxylin and eosin-stained patches. Our explainable normalization method boosts classification tasks’ area under the precision-recall curve(AUPR) by 0.165, 0.545 to 0.710. Additionally, Data Alchemy further reduces the multisite classification domain gap, by improving the 0.710 AUPR an additional 0.142, elevating classification performance further to 0.852, from 0.545. Our Data Alchemy framework can popularize precision medicine with minimal operational overhead by allowing for the seamless integration of pre-trained deep learning-based clinical tools across multiple sites.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google