Semi-Automated Quality Assurance in Digital Pathology: Tile Classification Approach

要約

品質保証は、マイナーなアーティファクトでさえ大きな効果をもたらす可能性のあるデジタル病理学において、重要ではあるが未使用の領域です。
アーティファクトは、AI診断モデルのパフォーマンスに悪影響を与えることが示されています。
現在の実践では、訓練を受けたスタッフがこれらのスライドを病理学者にリリースする前に、デジタル化された画像を手動でレビューし、その後診断を行うために使用されます。
従来の画像処理アプローチは、デジタル病理スライドのアーティファクトを検出するための基盤を提供します。
ただし、現在のツールは深い学習を活用していないため、検出の精度とスケーラビリティを改善する可能性があります。
これらの進歩にもかかわらず、デジタル病理学における品質保証の方法は限られたままであり、イノベーションのギャップを提示します。
タイルを分析し、それらを10個の事前定義されたアーティファクトタイプのいずれかまたは背景として分類することにより、デジタル病理スライドをスクリーニングするように設計されたAIアルゴリズムを提案します。
このアルゴリズムは、アーティファクトを識別およびローカライズし、関心のある領域を強調するマップを作成します。
アルゴリズムは、人間のオペレーターをアーティファクトの影響を受けた特定のタイルに指示することにより、品質の問題についてスライド全体を手動で確認するために必要な時間と労力を最小限に抑えます。
内部アーカイブとがんゲノムアトラスから、133個の全体のスライド画像が選択され、内部開発ソフトウェアZAPP（フロリダ州ジャクソンビル）を使用して10個のアーティファクトに注釈を付けました。
異なるタイルサイズと倍率での複数のモデルのアブレーション研究が実行されました。
InceptionResnetが選択されました。
単一のアーティファクトモデルをトレーニングおよびテストし、それに続いて、一緒に機能するアーティファクトを備えた限られた複数のインスタンスモデル（おしゃべり、折りたたみ、ペン）が続きました。
この研究の結果から、単一のアーティファクトバイナリモデルと複数のインスタンスモデルの両方で構成されるアーティファクトスクリーニングのハイブリッド設計をお勧めします。

要約(オリジナル)

Quality assurance is a critical but underexplored area in digital pathology, where even minor artifacts can have significant effects. Artifacts have been shown to negatively impact the performance of AI diagnostic models. In current practice, trained staff manually review digitized images prior to release of these slides to pathologists which are then used to render a diagnosis. Conventional image processing approaches, provide a foundation for detecting artifacts on digital pathology slides. However, current tools do not leverage deep learning, which has the potential to improve detection accuracy and scalability. Despite these advancements, methods for quality assurance in digital pathology remain limited, presenting a gap for innovation. We propose an AI algorithm designed to screen digital pathology slides by analyzing tiles and categorizing them into one of 10 predefined artifact types or as background. This algorithm identifies and localizes artifacts, creating a map that highlights regions of interest. By directing human operators to specific tiles affected by artifacts, the algorithm minimizes the time and effort required to manually review entire slides for quality issues. From internal archives and The Cancer Genome Atlas, 133 whole slide images were selected and 10 artifacts were annotated using an internally developed software ZAPP (Mayo Clinic, Jacksonville, FL). Ablation study of multiple models at different tile sizes and magnification was performed. InceptionResNet was selected. Single artifact models were trained and tested, followed by a limited multiple instance model with artifacts that performed well together (chatter, fold, and pen). From the results of this study we suggest a hybrid design for artifact screening composed of both single artifact binary models as well as multiple instance models to optimize detection of each artifact.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google