Nutzung von Blickbewegungskonsistenzen zwischen Beobachtern zur Unterstützung des KI-Trainings für die Mitoseerkennung in der Pathologie

Core Concepts

Durch die Extraktion konsistenter Blickfixationen zwischen mehreren Beobachtern können aussagekräftige Pseudolabels für das Training von Convolutional Neural Networks zur Mitoseerkennung in Pathologiebildern generiert werden. Diese Blickbewegungslabels führen zu einer Modellleistung, die der von Expertenlabels nahekommt und deutlich besser ist als ein heuristikbasierter Ansatz.

Abstract

Die Studie untersucht, wie Blickbewegungsdaten von Beobachtern genutzt werden können, um Convolutional Neural Networks (CNNs) für die Mitoseerkennung in Pathologiebildern von Meningiomen zu trainieren. Da die direkte Verwendung von Blickbewegungsdaten aufgrund des geringen Signal-Rausch-Verhältnisses eine Herausforderung darstellt, extrahieren die Autoren stattdessen konsistente Blickfixationen, die von einer Gruppe von Beobachtern geteilt werden. Zunächst wurde ein Datensatz von 1.000 Pathologiebildern von Meningiomen mit 705 annotierten Mitosen erstellt. 14 Nicht-Mediziner nahmen an einer Benutzerstudie teil, bei der ihre Blickbewegungen während des Betrachtens dieser Bilder aufgezeichnet wurden. Aus den Blickbewegungsdaten wurden Pseudolabels für Mitosen generiert, indem konsistente Blickfixationen zwischen den Teilnehmern identifiziert wurden. Die Qualität dieser Blickbewegungslabels wurde in Abhängigkeit von der Gruppengröße untersucht. Mit zunehmender Gruppengröße verbesserte sich die Präzision der Labels, während die Schwankungsbreite des Recalls abnahm. Anschließend wurden CNNs basierend auf den Blickbewegungslabels, heuristikbasierten Labels und Expertenlabels trainiert und auf einem unabhängigen Testdatensatz evaluiert. Die Ergebnisse zeigten, dass die Leistung der CNN, die mit Blickbewegungslabels trainiert wurden, der von Expertenlabels nahekommt und deutlich besser ist als die des heuristikbasierten Ansatzes. Die Studie demonstriert, dass Blickbewegungsdaten von Beobachtern wertvolle Informationen für das Training von KI-Modellen in der Pathologie liefern können, ohne dass Experten zusätzlich Zeit für Annotationen aufwenden müssen. Zukünftige Forschung könnte den Ansatz weiter verbessern, indem beispielsweise heuristische Labels durch Blickbewegungsfixationen verfeinert werden.

Stats

Die Teilnehmer verbrachten durchschnittlich 2,63 Sekunden mit der Betrachtung jedes Pathologiebildes. Die Präzision der Blickbewegungslabels stieg von 0,321 bei 3 Teilnehmern auf 0,679 bei 14 Teilnehmern. Die Recall-Rate der Blickbewegungslabels lag zwischen 0,47 und 0,858, wobei die Schwankungsbreite mit zunehmender Gruppengröße abnahm.

Quotes

"Durch die Extraktion konsistenter Blickfixationen zwischen mehreren Beobachtern können aussagekräftige Pseudolabels für das Training von Convolutional Neural Networks zur Mitoseerkennung in Pathologiebildern generiert werden." "Die Leistung der CNN, die mit Blickbewegungslabels trainiert wurden, kommt der von Expertenlabels nahe und ist deutlich besser als die des heuristikbasierten Ansatzes."

Key Insights Distilled From

Supporting Mitosis Detection AI Training with Inter-Observer Eye-Gaze Consistencies

by Hongyan Gu,Z... at arxiv.org 04-03-2024

https://arxiv.org/pdf/2404.01656.pdf

Deeper Inquiries

Wie könnte der Ansatz weiter verbessert werden, um den Leistungsunterschied zwischen Blickbewegungslabels und Expertenlabels weiter zu verringern?

Um den Leistungsunterschied zwischen Blickbewegungslabels und Expertenlabels weiter zu verringern, könnten mehr komplexe Algorithmen zur Verarbeitung der Blickdaten implementiert werden. Dies könnte die Genauigkeit der Blickfixationen verbessern und somit die Qualität der generierten Labels erhöhen. Darüber hinaus könnte eine Kombination aus Blickbewegungsdaten und Expertenlabels verwendet werden, um ein hybrides Labeling-System zu schaffen. Dies würde es ermöglichen, die Stärken beider Ansätze zu nutzen und die Schwächen auszugleichen, was zu präziseren und zuverlässigeren Labels führen könnte.

Welche Auswirkungen hätte der Einsatz von Pathologie-Experten statt Nicht-Medizinern auf die Qualität der Blickbewegungslabels?

Der Einsatz von Pathologie-Experten anstelle von Nicht-Medizinern zur Generierung von Blickbewegungslabels könnte die Qualität der Labels signifikant verbessern. Experten verfügen über ein tiefgreifendes Verständnis der pathologischen Merkmale und könnten daher präzisere und konsistentere Blickfixationen liefern. Dies würde zu hochwertigeren Labels führen, die eine bessere Grundlage für das Training von KI-Modellen bieten. Darüber hinaus könnten Experten auch dazu beitragen, spezifische Muster oder Bereiche zu identifizieren, auf die sich die KI-Modelle konzentrieren sollten, was zu einer verbesserten Leistung der Modelle führen könnte.

Inwiefern lassen sich die Erkenntnisse aus dieser Studie zur Mitoseerkennung auf andere medizinische Bildverarbeitungsaufgaben übertragen?

Die Erkenntnisse aus dieser Studie zur Mitoseerkennung könnten auf andere medizinische Bildverarbeitungsaufgaben übertragen werden, insbesondere auf Aufgaben, die eine präzise Lokalisierung von Objekten erfordern. Der Ansatz, Blickbewegungsdaten zur Generierung von Labels zu verwenden, könnte auch bei der Erkennung anderer histologischer Muster oder Anomalien in medizinischen Bildern angewendet werden. Darüber hinaus könnte die Kombination von Blickbewegungsdaten mit herkömmlichen Labels die Leistung von KI-Modellen in verschiedenen medizinischen Bildgebungsaufgaben verbessern, indem sie zusätzliche Informationen und Kontext liefern, die zur Verbesserung der Genauigkeit und Effizienz der Modelle beitragen.