https://ai.nejm.org/doi/full/10.1056/AIoa2400468
Preliminary
One-class classification (OCC): 정상 클레스만을 학습해서, 학습시점에 존재하지 않던 비정상을 탐지하는 방
Motivation
- Supervised learning에서는 rare-class가 long-tail문제가 발생 (Major class만 대다수고, 나머지는 거의 관찰빈도가 없음)
Method
- 위/대장의 65개의 진단명을 획득
- 그외 장기 획득: OE(Outlier exposure)용도
- 이상치의 정의: 10명의 병리의사 위원회에서 결정
모델: DEEP AD. Unsupervised approach (Anomaly data은 수집이 어려워서, 정상 패치의 특성만 배우도록함)
- Self-supervised learning: Auxillary task을 추가로 주는 방법(유사도)
- feature extractor: CTransPath, CTransPath+finetuning (OCC로 튜닝)
- Outlier exposure을 이용하는 방법:
- Common data vs auxillary data을 학습 (BCE로 학습). 여기서 Common은 Stomach 아니면 Colon. Auxillay data은 그외 장기(예, Stomach 모델을 학습하고 있다면, OE에 해당하는 것들은 다른장기 + Colon의 정상 데이터셋)
- 주요 가설: "정상 vs 비정상" 을 구분하려면, 정상에 가까우면서도 조금 다른 데이터를 이상치로 세팅해야함. 왜냐하면 너무 유사하면 이상치로 인삭하기 어렵고, 너무 다르면 쓸모없는 경계를 학
반응형
'Digital pathology' 카테고리의 다른 글
Learning Image Representations for Anomaly Detection: Application to Discovery of Histological Alterations in Drug Development (0) | 2025.06.23 |
---|---|
Creating an atlas of normal tissue for pruning WSI patching through anomaly detection (0) | 2025.06.23 |
Do Multiple Instance Learning Models Transfer (0) | 2025.06.23 |
HistoGPT (0) | 2025.06.15 |
Stomach histology: H.pylori (0) | 2025.04.02 |