“… Der Trainingsdatensatz spielt ebenfalls eine entscheidende Rolle bei der erfolgreichen Übertragbarkeit von Modellen. Zum einen ist die Größe des Datensatzes von Bedeutung [ 16 ]. In der digitalen Pathologie ist es oft eine Herausforderung, ausreichend große Mengen an annotierten Daten zu erhalten.…”
Section: Einflussfaktoren Auf Transferierbarkeitunclassified
“…B. FN oder HSV-Augmentierung. Auch Ensembles, die Kombination mehrerer Modelle zu einer Vorhersage, sind für die Verbesserung der Vorhersagegenauigkeit geeignet, da diese besser auf externe Datensätze übertragen werden können und zum Training keine Informationen über die Testdatensätze benötigen [ 16 , 27 ].…”
Zusammenfassung
Ziel der Arbeit
Künstliche Intelligenz hat das Potenzial, in der Pathologie weitreichende Fortschritte zu erzielen. Doch die tatsächliche Anwendung und Zertifizierung für die Praxis bleibt begrenzt, oft aufgrund von Herausforderungen bei der Transferierbarkeit von Modellen. In diesem Kontext untersuchen wir die Faktoren, die die Transferierbarkeit beeinflussen, und präsentieren Methoden, die dazu beitragen, die Nutzung von KI-Algorithmen in der Pathologie zu verbessern.
Material und Methoden
Mithilfe von Datensätzen aus 2 Instituten und dem öffentlich zugänglichen TCGA-MBIC-Datensatz (TCGA, The Cancer Genome Atlas) wurden Convolutional Neural Networks (CNN) und Vision Transformer (ViT) für Vorhersagen an Urothelgewebe (Karzinom- vs. Normalgewebe) und an intrahepatischen Cholangiokarzinomen (iCCA, „small vs. large duct“) trainiert. Veranschaulicht wird der Einfluss von Farbnormalisierung, Bildartefakten in Training und Anwendung sowie der NoisyEnsemble-Methode.
Ergebnisse
Wir konnten demonstrieren, dass Farbnormalisierung von Gewebeschnitten einen positiven Effekt auf die Interinstitutstransferierbarkeit von CNNs und ViTs hat (respektive +13 % und +10 %) und ViTs meist eine höhere Genauigkeit im externen Test erzielen (hier +1,5 %). Ebenso konnten wir zeigen, dass Artefakte in Testdaten die Vorhersagen von CNNs negativ beeinflusst und dass das Einbeziehen dieser Artefakte während des Trainings zu einer Verbesserung führt. Schließlich erhöhen NoisyEnsembles aus CNNs (besser als aus ViTs) auf verschiedenen Geweben und Fragestellungen die Transferierbarkeit (+7 % Blase, +15 % iCCA).
Diskussion
Wichtig ist vor allem, sich dem Problem der Transferierbarkeit bewusst zu sein: Gute Performance in der Entwicklung bedeutet nicht gute Performance in der Anwendung. Der Einbezug vieler bereits existierender Methoden zur Verbesserung der Transferierbarkeit, wie z. B. Farbnormalisierung und NoisyEnsemble, und deren Weiterentwicklung sind von großer Wichtigkeit.
“… Der Trainingsdatensatz spielt ebenfalls eine entscheidende Rolle bei der erfolgreichen Übertragbarkeit von Modellen. Zum einen ist die Größe des Datensatzes von Bedeutung [ 16 ]. In der digitalen Pathologie ist es oft eine Herausforderung, ausreichend große Mengen an annotierten Daten zu erhalten.…”
Section: Einflussfaktoren Auf Transferierbarkeitunclassified
“…B. FN oder HSV-Augmentierung. Auch Ensembles, die Kombination mehrerer Modelle zu einer Vorhersage, sind für die Verbesserung der Vorhersagegenauigkeit geeignet, da diese besser auf externe Datensätze übertragen werden können und zum Training keine Informationen über die Testdatensätze benötigen [ 16 , 27 ].…”
Zusammenfassung
Ziel der Arbeit
Künstliche Intelligenz hat das Potenzial, in der Pathologie weitreichende Fortschritte zu erzielen. Doch die tatsächliche Anwendung und Zertifizierung für die Praxis bleibt begrenzt, oft aufgrund von Herausforderungen bei der Transferierbarkeit von Modellen. In diesem Kontext untersuchen wir die Faktoren, die die Transferierbarkeit beeinflussen, und präsentieren Methoden, die dazu beitragen, die Nutzung von KI-Algorithmen in der Pathologie zu verbessern.
Material und Methoden
Mithilfe von Datensätzen aus 2 Instituten und dem öffentlich zugänglichen TCGA-MBIC-Datensatz (TCGA, The Cancer Genome Atlas) wurden Convolutional Neural Networks (CNN) und Vision Transformer (ViT) für Vorhersagen an Urothelgewebe (Karzinom- vs. Normalgewebe) und an intrahepatischen Cholangiokarzinomen (iCCA, „small vs. large duct“) trainiert. Veranschaulicht wird der Einfluss von Farbnormalisierung, Bildartefakten in Training und Anwendung sowie der NoisyEnsemble-Methode.
Ergebnisse
Wir konnten demonstrieren, dass Farbnormalisierung von Gewebeschnitten einen positiven Effekt auf die Interinstitutstransferierbarkeit von CNNs und ViTs hat (respektive +13 % und +10 %) und ViTs meist eine höhere Genauigkeit im externen Test erzielen (hier +1,5 %). Ebenso konnten wir zeigen, dass Artefakte in Testdaten die Vorhersagen von CNNs negativ beeinflusst und dass das Einbeziehen dieser Artefakte während des Trainings zu einer Verbesserung führt. Schließlich erhöhen NoisyEnsembles aus CNNs (besser als aus ViTs) auf verschiedenen Geweben und Fragestellungen die Transferierbarkeit (+7 % Blase, +15 % iCCA).
Diskussion
Wichtig ist vor allem, sich dem Problem der Transferierbarkeit bewusst zu sein: Gute Performance in der Entwicklung bedeutet nicht gute Performance in der Anwendung. Der Einbezug vieler bereits existierender Methoden zur Verbesserung der Transferierbarkeit, wie z. B. Farbnormalisierung und NoisyEnsemble, und deren Weiterentwicklung sind von großer Wichtigkeit.
“…The CNN models were developed using a pretrained model named InceptionV3 as a feature extractor layer since it contained weight from a very large data set such as ImageNet . After that, the models were added with a global average pooling layer that would average all of the features in one layer.…”
“…Its ability to train DNN effectively, while mitigating common ML challenges, positions ResNet as a superior choice for capturing intricate relationships between CWT seismic components and identified facies . ResNet obtained impressive importance in advancing the field of deep learning (DL) by incorporating image identification, natural language processing, and machine translation , while alleviating issues like resilient to noise and overfitting, vanishing gradients, and being more efficient and less computationally expensive to train. − …”
The endeavor to explore and characterize oil and gas reservoirs presents significant challenges due to the inherent heterogeneities that are further compounded by the existence of thin sand layers encapsulated in shale strata. This complexity is intensified by limited and low-resolution seismic data, missing critical well-log information, and inaccessible angle stack data. Conventional reservoir classification approaches have struggled to address these issues, primarily due to their limitations in handling missing data effectively and, hence, precise estimations. This study focuses on the characterization of thin, heterogeneous potential sands of the B-interval within the Lower Goru Formation, a proven gas reservoir in the Badin area. The reservoir sands with varying thicknesses are assessed in detail for their optimized description and field productions by handling challenges, including low seismic resolutions, heterogeneities, and missing data sets. An innovative solution is developed based on the integration of continuous wavelet transform (CWT) and machine learning (ML) techniques for the approximation of missing data sets, i.e., S-wave (DTS), along with enhanced elastic and petrophysical properties. The improved properties are augmented by the high resolution attained by CWT and captured variability more profoundly through the implication of residual neural networks (ResNet). The limitations of conventional approaches are harnessed by ML solutions that operate with limited input data and deliver significantly improved results in characterizing enigmatic thin sand reservoirs. The high-frequency petroelastic properties reliably determined the thin heterogeneous potential sand bodies and illuminated a channelized play fairway that can be tested for additional wells with low-risk involvement.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
