Histopathological Transfer Learning for Acute Lymphoblastic Leukemia Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The detection of Acute Lymphoblastic (or Lymphocytic) Leukemia (ALL) is being increasingly performed with the help of Computer Aided Diagnosis (CAD) systems based on Deep Learning (DL), that support the pathologists in performing their decision by analyzing the blood samples to determine the presence of lymphoblasts. When using DL, the limited dimensionality of ALL databases favors the use of transfer learning techniques to increase the accuracy in the detection, by considering Convolutional Neural Networks (CNN) pretrained on the general purpose ImageNet database. However, no method in the literature has yet considered the use of CNNs pretrained on histopathology databases to perform transfer learning for ALL detection. In fact, the majority of histopathology databases in the literature has either a small number of samples or limited ground truth labeling possibilities (e.g., only two possible classes), which hinders the effectiveness of training CNNs from scratch. In this paper, we propose the first method based on histopathological transfer learning for ALL detection, that trains a CNN on a histopathology database to classify tissue types, then performs a fine tuning on the ALL database to detect the presence of lymphoblasts. As histopathology database, we consider a multi-label dataset with a significantly higher number of samples and classes with respect to the literature, which enables CNNs to learn general features for histopathology image processing and hence allow to perform a more effective transfer learning, with respect to CNNs pretrained on ImageNet. We evaluate the methodology on a publicly-available ALL database and considering multiple CNNs, with results confirming the validity of our approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle