Die Ausstattung von computergestützten Pathologie-Systemen mit Artefakt-Verarbeitungs-Pipelines: Eine Demonstration von Rechenleistung und Performance-Kompromissen

Die Histopathologie ist ein Goldstandard für die Krebsdiagnose unter mikroskopischer Untersuchung. Allerdings führen histologische Gewebebearbeitungsverfahren zu Artefakten, die letztendlich in die digitalisierte Version von Glaspräparaten, als sogenannte Whole Slide Images (WSIs), übertragen werden. Artefakte sind diagnostisch irrelevante Bereiche und können zu fehlerhaften Vorhersagen von tiefen Lernverfahren (Deep Learning, DL) führen. Daher ist die Erkennung und Ausschließung von Artefakten im computergestützten Pathologie-System (Computational Pathology, CPATH) für eine verlässliche automatisierte Diagnose entscheidend. In dieser Arbeit schlagen wir ein Mixture-of-Experts (MoE)-Schema vor, um fünf bemerkenswerte Artefakte zu erkennen, darunter beschädigtes Gewebe, Unschärfe, gefaltetes Gewebe, Luftblasen und histologisch irrelevante Blutreste aus WSIs. Zunächst trainieren wir unabhängige binäre DL-Modelle als Experten, um spezifische Artefaktmorphologien zu erfassen. Anschließend kombinieren wir ihre Vorhersagen mittels eines Fusionierungsmechanismus. Wir wenden eine wahrscheinlichkeitstheoretische Schwellwertbildung auf die endliche Wahrscheinlichkeitsverteilung an, um die Sensitivität des MoE zu verbessern. Wir entwickelten DL-Pipelines mit zwei MoEs und zwei Multiklassenmodellen modernster tiefer konvolutiver Neuronaler Netze (Deep Convolutional Neural Networks, DCNNs) sowie Visionstransformatoren (Vision Transformers, ViTs). Die DCNN-basierten MoE- und ViT-basierten MoE-Schemata übertrafen einfachere Multiklassenmodelle und wurden an Datensätzen verschiedener Krankenhäuser und Krebstypen getestet, wobei das MoE mit DCNNs die besten Ergebnisse erzielte. Das vorgeschlagene MoE erreicht bei unbekannten Daten einen F1-Wert von 86,15 % und eine Sensitivität von 97,93 % und verursacht geringere Rechenkosten für die Inferenz als das MoE mit ViTs. Diese beste Leistung der MoEs geht jedoch mit relativ höheren rechnerischen Kompromissen im Vergleich zu den Multiklassenmodellen einher. Der vorgeschlagene Artefakt-Erkennungsprozess wird nicht nur verlässliche CPATH-Vorhersagen sicherstellen, sondern auch Qualitätskontrolle bieten.