Are We Ready for Out-of-Distribution Detection in Digital Pathology?

要約

意味論的および共変量の分布外 (OOD) 例の検出は、デジタル パソロジー (DP) において重要であるにもかかわらず見落とされている課題です。
最近、OOD 検出に関する重要な洞察と方法が ML コミュニティによって発表されましたが、それらは DP アプリケーションではどのように機能するのでしょうか?
この目的を達成するために、私たちはベンチマーク調査を確立します。そのハイライトは、1) 適切な評価プロトコルの採用、2) 単一モデル設定と複数モデル設定の両方での多様な検出器の比較、3) 次のような高度な ML 設定の調査です。
転移学習 (ImageNet 対 DP 事前トレーニング) とアーキテクチャの選択 (CNN 対 トランスフォーマー)。
包括的な実験を通じて、私たちは新たな洞察とガイドラインを提供し、将来の研究と議論への道を切り開きます。

要約(オリジナル)

The detection of semantic and covariate out-of-distribution (OOD) examples is a critical yet overlooked challenge in digital pathology (DP). Recently, substantial insight and methods on OOD detection were presented by the ML community, but how do they fare in DP applications? To this end, we establish a benchmark study, our highlights being: 1) the adoption of proper evaluation protocols, 2) the comparison of diverse detectors in both a single and multi-model setting, and 3) the exploration into advanced ML settings like transfer learning (ImageNet vs. DP pre-training) and choice of architecture (CNNs vs. transformers). Through our comprehensive experiments, we contribute new insights and guidelines, paving the way for future research and discussion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google