Core Concepts
医療領域における敵対的攻撃へのDLモデルの堅牢性向上が重要であり、本研究はWSIを用いた癌グリーソン分類システムの堅牢性を改善する革新的なグラフベースモデルを提案している。
Abstract
敵対的攻撃に対するDLモデルの堅牢性向上が重要。
WSIsは高解像度であり、GNNを使用した新しいグラフベースモデルが提案されている。
データセットとしてPANDA(Prostate cANcer graDe Assessment)が使用されており、詳細な説明とサンプル数が示されている。
敵対的攻撃による影響を評価するために、異なる攻撃率で実験が行われており、提案手法の優位性が示されている。
Introduction
DLは医療領域で画期的な進歩を遂げており、WSIsは高解像度の組織サンプルを提供する。
敵対的攻撃は微妙な変更を加え、DLモデルを誤った判断させることが可能。
医療領域ではこのような攻撃が深刻な悪影響をもたらす可能性がある。
Methodology
敵対的攻撃に関する先行研究やGNNへの影響について詳細に説明されている。
グラフレベルと画像レベルでの敵対的攻撃手法やその効果について述べられている。
Data Extraction
"The accuracy of the model without any attack is 81.34%, and its Kappa score is 0.92."
"The model’s accuracy decreased by 2.07%, 2.32%, and 3.26% correspondingly when the dataset was subjected to attack rates of 10%, 25%, and 50% in graphs."
"The model’s accuracy decreased by 2.7%, 2.76%, and 3.45% correspondingly when the dataset was subjected to attack rates of 10%, 25%, and 50% in images."
Stats
モデルの精度は攻撃無しで81.34%であり、Kappaスコアは0.92です。
データセットがグラフに10%、25%、50%の割合で攻撃された場合、モデルの精度はそれぞれ2.07%、2.32%、3.26%低下しました。
データセットが画像に10%、25%、50%の割合で攻撃された場合、モデルの精度はそれぞれ2.7%、2.76%、3.45%低下しました。