核心概念
現有的細胞 AI 基礎模型在處理腎臟細胞核分割任務時仍有改進空間,透過人機迴路增強技術可以有效提升模型效能。
研究背景
人工智慧(AI)基礎模型在數位病理學中展現出巨大的潛力,尤其是在細胞實例分割任務中。然而,這些模型在處理特定器官(如腎臟)的細胞核分割任務時的表現仍未明確定論。本研究旨在評估現有細胞 AI 基礎模型在腎臟病理學中的效能,並探討如何透過人機迴路增強技術提升模型效能。
研究方法
本研究建立了一個包含 2,542 張腎臟全切片影像(WSIs)的多樣化評估資料集,涵蓋人類和囓齒動物樣本,並使用三種最先進的細胞基礎模型(Cellpose、StarDist 和 CellViT)進行細胞核實例分割。研究人員根據預測遮罩的品質將其評為「好」、「中等」或「差」,並透過人機迴路設計,將多個基礎模型的預測結果整合到資料增強過程中。
研究結果
評估結果顯示,CellViT 在分割腎臟細胞核方面表現最佳,在評估資料集中獲得 63% 的「好」評級。然而,所有模型在處理某些類型的細胞核和組織狀況時仍存在困難,例如長而扁平的細胞核、邊界模糊的細胞核以及腎小球內密集分佈的細胞核。
為了進一步提升模型效能,研究人員採用了資料增強策略,將多個基礎模型的預測結果整合到訓練過程中。結果顯示,透過人機迴路設計,結合「好」和「差」的影像區塊是最有效的策略,StarDist 模型的 F1 分數達到 0.82,表現最佳。
研究結論
本研究建立了一個評估細胞視覺基礎模型效能的基準,並證明了人機迴路增強技術在提升模型效能方面的有效性。研究結果表明,現有的細胞 AI 基礎模型在處理腎臟細胞核分割任務時仍有改進空間,而透過人機迴路增強技術可以有效提升模型效能,進而促進腎臟病理學中更有效率的工作流程。
統計資料
資料集包含 2,542 張腎臟全切片影像(WSIs)。
從公開數據庫收集了 1,449 張 WSIs (57%)。
從范德比爾特大學醫學中心內部收集了 1,093 張 WSIs (43%)。
CellViT 模型在評估數據集中獲得 63% 的「好」評級。
StarDist 模型在經過人機迴路增強訓練後,F1 分數達到 0.82。