Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology

要約

【タイトル】- 血液細胞形態学における頑健な単一細胞分類のための不均衡なドメイン汎化

【要約】
– WBCの形態学的な分類の正確性は、非機能性のブラスト細胞が骨髄に蓄積する白血病の診断において重要なステップである。
– 深層畳み込みニューラルネットワーク（CNN）は、最近、特定のドメインの単一細胞画像をトレーニングデータとして使用することで、白血球を分類するのに成功している。
– しかし、多くのCNNモデルは、トレーニングデータとテストデータの分布が類似している、つまりデータが独立同分布であると仮定しているため、染色法、倍率、解像度、スキャナ、撮像プロトコル、診療センター、患者コホートのバリエーションに強くない。
– さらに、ドメイン特異的なデータの不均衡は、分類器の汎化性能に影響を与える。
– 本研究では、クロスドメインデータの不均衡とドメインシフトに対処することで、頑健なWBC分類のためのCNNを訓練した。
– このために、2つの損失関数を使用し、OOD（分布外）汎化での効果を示した。
– 当社のアプローチは、他の既存の方法と比較して最高のF1マクロスコアを達成し、稀な細胞タイプを考慮することができる。
– これは、血液形態学における不均衡ドメイン汎化の最初の実証であり、ラボやクリニックでの頑健な単一細胞分類方法の道を開くものである。

要約(オリジナル)

Accurate morphological classification of white blood cells (WBCs) is an important step in the diagnosis of leukemia, a disease in which nonfunctional blast cells accumulate in the bone marrow. Recently, deep convolutional neural networks (CNNs) have been successfully used to classify leukocytes by training them on single-cell images from a specific domain. Most CNN models assume that the distributions of the training and test data are similar, i.e., the data are independently and identically distributed. Therefore, they are not robust to different staining procedures, magnifications, resolutions, scanners, or imaging protocols, as well as variations in clinical centers or patient cohorts. In addition, domain-specific data imbalances affect the generalization performance of classifiers. Here, we train a robust CNN for WBC classification by addressing cross-domain data imbalance and domain shifts. To this end, we use two loss functions and demonstrate their effectiveness in out-of-distribution (OOD) generalization. Our approach achieves the best F1 macro score compared to other existing methods and is able to consider rare cell types. This is the first demonstration of imbalanced domain generalization in hematological cytomorphology and paves the way for robust single cell classification methods for the application in laboratories and clinics.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI