Self-supervised deep metric learning for prototypical zero-shot lesion retrieval in placenta whole-slide images
Notice bibliographique
Résumé
Postnatal adverse outcomes can often be explained and predicted by the pathological evaluation of the placenta after a pregnancy. However, placenta whole-slide image (WSI) analysis is not performed systematically due to the specialized skills required. There is no public dataset available for placenta WSIs and precise annotations on private datasets are very limited. Furthermore, we show that in this context of low data regime and scarcity of expert annotations, current computational pathology foundation models struggle to generalize to the specific case of the placental tissue. We propose a new deep metric learning (DML)-based method for efficient inflammatory lesion retrieval in placenta WSIs in very low data settings. We train a feature extractor without labels by adapting an existing self-supervised learning framework to the DML problem setting. Once trained, the feature extractor is used to define prototype vectors for inflammatory lesions, using a very limited number of known pathological patches extracted from a single placenta. We can then retrieve inflammatory lesions in unseen WSIs by comparing patches with prototype vectors in the feature extractor's metric space. The similarity map thus obtained is then refined using a simple post-processing method to take into account spatial patch proximity. We evaluated our method on a private dataset of 165 annotated WSIs (51 placentas) and on the CAMELYON16 dataset for lymph node metastasis retrieval. We achieved a patch-level AUROC of 0.978 on our dataset and 0.928 on CAMELYON16 in the zero-shot setting.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».