«`html
Введение в EXAONEPath: новый фронт в цифровой гистопатологии
EXAONEPath разработан как модель на уровне патчей, которая работает с WSIs, высокоразрешенными изображениями тканевых срезов, используемыми в гистопатологии. Часто содержащие более миллиарда пикселей, эти изображения критичны для подтипирования рака, прогнозирования прогноза и анализа микросреды тканей. Однако традиционные модели, обученные на этих изображениях, часто сталкиваются с явлением, известным как специфическая для WSI коллапс признаков, что существенно ограничивает способность модели обобщаться на различные WSIs и, следовательно, ее эффективность в реальных приложениях.
Технические инновации в EXAONEPath: преодоление специфического для WSI коллапса признаков
В основе инноваций EXAONEPath лежит подход к преодолению специфического для WSI коллапса признаков. Эта модель использует методы самообучения и техники нормализации окраски, в частности нормализацию Макенко, для стандартизации цветовых характеристик WSIs перед извлечением признаков. Этот процесс уменьшает изменчивость, внесенную различными протоколами окрашивания в лабораториях, что является основной причиной коллапса признаков. Применяя эту нормализацию, EXAONEPath обеспечивает более точное изучение признаков, сосредоточенных на патологически значимых аспектах ткани, таких как размер и форма ядер, плотность клеток и структурные изменения, а не на поверхностных цветовых вариациях.
Обучение EXAONEPath: тщательный и этичный подход
Разработка EXAONEPath включала в себя комплексный и этичный процесс обучения. Модель обучалась на 285 153 903 патчах, извлеченных из 34 795 WSIs, обеспечивая разнообразный и репрезентативный набор данных. Обучение проводилось с использованием метода DINO (самодистилляция без меток), метода самообучения, который улучшает способность модели обобщаться из больших объемов неразмеченных данных. Этот подход позволил модели изучить надежные признаки, критически важные для последующих задач, таких как классификация рака и анализ выживаемости.
«`
