Towards Computation- and Communication-efficient Computational Pathology

要約

現在の計算病理学モデルは、広範な用途で優れた性能を発揮しているにもかかわらず、高倍率の全スライド画像解析に依存しているため、診断効率という大きな課題に直面している。この限界は、特に時間に敏感な診断シナリオや効率的なデータ転送を必要とする状況において、その臨床的有用性を著しく損なう。これらの問題に対処するために、我々は、Magnification-Aligned Global-Local Transformer (MAGA-GLTrans)と呼ばれる、計算および通信効率の高い新しいフレームワークを提案する。我々のアプローチは、高倍率入力ではなく低倍率入力を用いた効果的な解析を可能にすることで、計算時間、ファイル転送要件、ストレージオーバーヘッドを大幅に削減する。重要な革新は、提案する倍率アライメント(MAGA)メカニズムにあり、これは、低倍率と高倍率の特徴表現を効果的にアライメントすることで、低倍率と高倍率の間の情報ギャップを埋めるために、自己教師あり学習を採用している。様々な基本的なCPathタスクにおける広範な評価を通して、MAGA-GLTransは、計算時間を最大10.7倍削減し、ファイル転送とストレージ要件を20倍以上削減するという顕著な効率化を達成しながら、最先端の分類性能を示す。さらに、(1)あらゆるCPathアーキテクチャの効率を向上させる特徴抽出器としての適用性、(2)既存の基礎モデルや病理組織学に特化したエンコーダとの互換性により、最小限の情報損失で低倍率の入力を処理できるようにする、という2つの重要な拡張を通じて、我々のMAGAフレームワークの汎用性を強調している。これらの進歩により、MAGA-GLTransは、特に正確性と効率性の両方が最優先される術中凍結切片診断のような、時間に制約のあるアプリケーションにおいて特に有望なソリューションと位置づけられます。

要約(オリジナル)

Despite the impressive performance across a wide range of applications, current computational pathology models face significant diagnostic efficiency challenges due to their reliance on high-magnification whole-slide image analysis. This limitation severely compromises their clinical utility, especially in time-sensitive diagnostic scenarios and situations requiring efficient data transfer. To address these issues, we present a novel computation- and communication-efficient framework called Magnification-Aligned Global-Local Transformer (MAGA-GLTrans). Our approach significantly reduces computational time, file transfer requirements, and storage overhead by enabling effective analysis using low-magnification inputs rather than high-magnification ones. The key innovation lies in our proposed magnification alignment (MAGA) mechanism, which employs self-supervised learning to bridge the information gap between low and high magnification levels by effectively aligning their feature representations. Through extensive evaluation across various fundamental CPath tasks, MAGA-GLTrans demonstrates state-of-the-art classification performance while achieving remarkable efficiency gains: up to 10.7 times reduction in computational time and over 20 times reduction in file transfer and storage requirements. Furthermore, we highlight the versatility of our MAGA framework through two significant extensions: (1) its applicability as a feature extractor to enhance the efficiency of any CPath architecture, and (2) its compatibility with existing foundation models and histopathology-specific encoders, enabling them to process low-magnification inputs with minimal information loss. These advancements position MAGA-GLTrans as a particularly promising solution for time-sensitive applications, especially in the context of intraoperative frozen section diagnosis where both accuracy and efficiency are paramount.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL