Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies

要約

肝硬変を特定することは、肝臓の健康状態を正しく評価するための鍵です。
ただし、肝硬変のゴールドスタンダード診断には、組織学的確認を得るために医学的介入が必要です。
METAVIR スコアは、放射線学的所見があいまいである可能性があるためです。
この作業では、放射線科医によって注釈が付けられた大規模なデータセットからの転移学習を活用することを提案します。これは弱い注釈と見なされ、小さな付属データセットで利用可能な組織学的スコアを予測します。
この目的のために、肝硬変の予測を改善するために、さまざまな事前トレーニング方法、つまり弱い教師付きと自己教師付きの方法を比較することを提案します。
最後に、事前トレーニング用の教師ありフレームワークと自己教師ありフレームワークの両方を組み合わせた損失関数を紹介します。
この方法は、ベースライン分類子の 0.77 および 0.72 と比較して、METAVIR スコアのベースライン分類よりも優れており、0.84 の AUC と 0.75 のバランスの取れた精度に達しています。

要約(オリジナル)

Identifying cirrhosis is key to correctly assess the health of the liver. However, the gold standard diagnosis of the cirrhosis needs a medical intervention to obtain the histological confirmation, e.g. the METAVIR score, as the radiological presentation can be equivocal. In this work, we propose to leverage transfer learning from large datasets annotated by radiologists, which we consider as a weak annotation, to predict the histological score available on a small annex dataset. To this end, we propose to compare different pretraining methods, namely weakly-supervised and self-supervised ones, to improve the prediction of the cirrhosis. Finally, we introduce a loss function combining both supervised and self-supervised frameworks for pretraining. This method outperforms the baseline classification of the METAVIR score, reaching an AUC of 0.84 and a balanced accuracy of 0.75, compared to 0.77 and 0.72 for a baseline classifier.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google