May, 2024
使用 Fréchet 域距离在数字病理学的多实例学习中检测域偏移
Detecting Domain Shift in Multiple Instance Learning for Digital
Pathology Using Fréchet Domain Distance
TL;DR多实例学习在数字病理学应用中具有吸引力，但对于临床实际中的领域漂移敏感性问题尚不清楚，本研究通过训练一种基于注意力机制的多实例学习算法，在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像，并提出一种名为Fréchet Domain Distance（FDD）的无监督度量方法来量化领域漂移。FDD的性能表现通过与分类性能变化的平均皮尔逊相关系数衡量，10折交叉验证模型下FDD的相关系数达到0.70，作为评估基准的深度集成（Deep ensemble）、置信度差异（Difference of Confidence）和表达式漂移（Representation shift）方法分别获得的平均皮尔逊相关系数为0.45、-0.29和0.56。FDD可以成为医疗服务提供者和供应商的有价值工具，无需额外的病理学注释就能验证多实例学习系统在新的实施点上是否能够可靠运行。