Benchmarking von Selbstüberwachtem Lernen auf vielfältigen Pathologie-Datensätzen

Computational Pathology kann dazu beitragen, menschliches Leben zu retten, doch sind die Modelle stark von Annotationen abhängig, und die Annotation von Pathologiebildern ist bekanntermaßen äußerst kostspielig. Self-supervised Learning (SSL) hat sich als effektive Methode zur Nutzung von unbeschrifteten Daten erwiesen, und seine Anwendung in der Pathologie könnte deren nachgeschaltete Aufgaben erheblich verbessern. Dennoch existieren bisher keine fundierten Studien, die verschiedene SSL-Methoden vergleichen oder aufzeigen, wie sie für den Einsatz in der Pathologie angepasst werden können. Um diesem Bedarf zu begegnen, führen wir die bislang umfangreichste Studie zum SSL-Vortrainieren auf Pathologiebilddaten durch. Unser Experiment basiert auf vier repräsentativen SSL-Methoden und wird an einer Vielzahl unterschiedlicher nachgeschalteter Aufgaben durchgeführt. Wir zeigen, dass ein großskaliges, domänenspezifisches Vortrainieren in der Pathologie in standardmäßigen SSL-Szenarien – wie lineare und Fine-Tuning-Evaluationen – sowie in Szenarien mit wenigen Labels konsistent besser abschneidet als das Vortrainieren auf ImageNet. Darüber hinaus stellen wir eine Reihe domänenspezifischer Techniken vor, die wir experimentell als wirksam zur Leistungssteigerung nachweisen. Schließlich wenden wir SSL erstmals auf die anspruchsvolle Aufgabe der Nuklei-Instanzsegmentierung an und zeigen dabei erhebliche und konsistente Leistungsverbesserungen unter verschiedenen Bedingungen.