Extreme Learning Machines for Attention-based Multiple Instance Learning in Whole-Slide Image Classification

要約

全面画像分類は、計算病理学と医学の重要な課題です。
注意ベースの複数インスタンス学習（MIL）は、この問題に対する効果的なアプローチとして浮上しています。
ただし、モデルのパフォーマンスに対する注意メカニズムアーキテクチャの効果は、生物医学的画像については十分に文書化されていません。
この作業では、深い学習バリアントを含むMILのさまざまな方法と実装を比較します。
深いMILの高次元機能スペースを使用して、新しい方法を紹介します。
また、極端な機械学習が注意ベースのMILと組み合わされて感受性を改善し、トレーニングの複雑さを軽減するための滑り画像分類のための新しいアルゴリズムを開発します。
アルゴリズムを、周辺の血液中の紅斑芽細胞などの循環レア細胞（CRC）を検出する問題に適用します。
私たちの結果は、非線形性が分類において重要な役割を果たすことを示しています。それらを除去すると、4％以上の曲線下（AUC）の平均面積が減少することに加えて、安定性の急激な減少につながるためです。
また、高次元の特徴スペースが活用されている場合、平均AUCで10％を超える改善により、モデルの堅牢性が大幅に増加することを示しています。
さらに、極端な学習マシンは、訓練されたパラメーターの数を5倍に減らしながら、平均AUCを深いMILモデルの1.5％以内に維持することにより、トレーニング効率に関して明確な改善を提供できることを示しています。
最後に、将来、クラシックコンピューティングフレームワークを量子アルゴリズムで充実させるオプションについて説明します。
したがって、この作業は、精密医療の構成要素の1つである、より正確で効率的なシングルセル診断への道を開くのに役立ちます。

要約(オリジナル)

Whole-slide image classification represents a key challenge in computational pathology and medicine. Attention-based multiple instance learning (MIL) has emerged as an effective approach for this problem. However, the effect of attention mechanism architecture on model performance is not well-documented for biomedical imagery. In this work, we compare different methods and implementations of MIL, including deep learning variants. We introduce a new method using higher-dimensional feature spaces for deep MIL. We also develop a novel algorithm for whole-slide image classification where extreme machine learning is combined with attention-based MIL to improve sensitivity and reduce training complexity. We apply our algorithms to the problem of detecting circulating rare cells (CRCs), such as erythroblasts, in peripheral blood. Our results indicate that nonlinearities play a key role in the classification, as removing them leads to a sharp decrease in stability in addition to a decrease in average area under the curve (AUC) of over 4%. We also demonstrate a considerable increase in robustness of the model with improvements of over 10% in average AUC when higher-dimensional feature spaces are leveraged. In addition, we show that extreme learning machines can offer clear improvements in terms of training efficiency by reducing the number of trained parameters by a factor of 5 whilst still maintaining the average AUC to within 1.5% of the deep MIL model. Finally, we discuss options of enriching the classical computing framework with quantum algorithms in the future. This work can thus help pave the way towards more accurate and efficient single-cell diagnostics, one of the building blocks of precision medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google