Core Concepts
Eine Methode zur Verwendung leistungsfähiger, vortrainierter Transformer-Modelle für die automatische Erstellung von Berichten speziell für die Histopathologie mit einem End-to-End-Trainingsmechanismus.
Abstract
In dieser Arbeit wird gezeigt, dass mithilfe eines bestehenden, vortrainierten Vision Transformers (ViT) zur Codierung von 4096x4096 großen Patches des Whole Slide Image (WSI) und eines vortrainierten Bidirectional Encoder Representations from Transformers (BERT)-Modells für die sprachmodellbasierte Decodierung der Berichterstattung ein leistungsfähiger und portabler Berichterstattungsmechanismus aufgebaut werden kann, der das gesamte hochauflösende Bild berücksichtigt.
Die Methode ermöglicht es nicht nur, Bildunterschriften zu generieren und auszuwerten, die das Bild beschreiben, sondern auch, das Bild in Gewebetypen und das Geschlecht des Patienten zu klassifizieren. Das beste Modell erreicht eine Genauigkeit von 89,52% bei der Gewebetyp-Klassifizierung und einen BLEU-4-Score von 0,12 bei der Bildunterschriften-Generierung.
Die Autoren präsentieren in dieser Arbeit eine Methode zur Nutzung leistungsfähiger, vortrainierter Transformer-Modelle für die automatische Berichterstattung speziell für die Histopathologie mit einem End-to-End-Trainingsmechanismus, der ihrer Kenntnis nach bisher nicht vorgeschlagen wurde. Sie glauben, dass diese Arbeit den Forschungsbereich der Histopathologie erweitert, indem sie Transformer anstelle der traditionellen CNN-RNN-basierten Encoder-Decoder-Modelle für die Bildunterschriften-Generierung einführt.
Stats
Dies ist eine {Gewebetyp}-Probe von einem {Geschlecht}-Patienten und sie hat {Pathologienotizen}.
Das beste Modell erreicht eine Genauigkeit von 89,52% bei der Gewebetyp-Klassifizierung.
Quotes
"Eine Methode zur Verwendung leistungsfähiger, vortrainierter Transformer-Modelle für die automatische Erstellung von Berichten speziell für die Histopathologie mit einem End-to-End-Trainingsmechanismus."
"Das beste Modell erreicht eine Genauigkeit von 89,52% bei der Gewebetyp-Klassifizierung und einen BLEU-4-Score von 0,12 bei der Bildunterschriften-Generierung."